预测危急情境下的驾驶员注意力
计算机视觉与模式识别
2018-12-06 v3
摘要
针对危急情形的鲁棒驾驶员注意力预测是一个具有挑战性的计算机视觉问题，但对自动驾驶至关重要。由于危急驾驶时刻极为罕见，采用常规车载数据收集协议——驾驶中追踪眼动——难以为这些情形收集足够数据。在此，我们首先提出一种新的实验室内驾驶员注意力收集协议，并引入一个新的驾驶员注意力数据集，Berkeley DeepDrive Attention（BDD-A）数据集，其构建于从大规模众包驾驶视频数据集中筛选的制动事件视频之上。我们进一步提出人类加权采样（HWS）方法，利用人类注视行为识别驾驶数据集的关键帧，并在模型训练中对这些帧赋予高权重。借助我们的数据集与 HWS，我们构建了优于当前最优水平的驾驶员注意力预测模型，并展现出精细行为，例如关注横穿行人而不对安全行走于人行道上的行人误报。其预测结果对人类而言几乎与真实值无法区分。尽管仅使用我们的实验室内注意力数据训练，该模型在以当前最优精度预测常规驾驶的车载驾驶员注意力数据上也表现良好。该结果不仅展示了我们模型的性能，也证明了我们的数据集与数据收集协议的有效性与实用性。
引用
@article{arxiv.1711.06406,
title = {Predicting Driver Attention in Critical Situations},
author = {Ye Xia and Danqing Zhang and Jinkyu Kim and Ken Nakayama and Karl Zipser and David Whitney},
journal= {arXiv preprint arXiv:1711.06406},
year = {2018}
}
备注
ACCV 2018