基于不确定性挖掘与知识嵌入的无监督自动驾驶注意力预测
计算机视觉与模式识别
2023-07-18 v3
摘要
预测感兴趣注意力区域是自动驾驶系统的一项重要且具有挑战性的任务。现有方法依赖大规模标注交通数据集，而此类数据集的获取劳动密集。此外，当前数据集中自然场景与交通场景之间的巨大领域差距也限制了模型训练的潜力。为应对这些挑战，我们首次引入一种通过不确定性建模与驾驶知识融合来预测自动驾驶注意力的无监督方法。我们方法的不确定性挖掘分支（UMB）通过主动度量不确定性，从在自然场景上预训练的模型所生成的多个伪标签中发现共性与差异。同时，我们的知识嵌入模块（KEB）通过融入驾驶知识来自适应地细化生成的伪标签，从而弥合领域差距。在全部三个公开数据集上，与全监督最先进（SOTA）方法相当甚至更优的定量与定性结果表明了所提方法的有效性及该方向的潜力。代码将公开可用。
引用
@article{arxiv.2303.09706,
title = {Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding},
author = {Pengfei Zhu and Mengshi Qi and Xia Li and Weijian Li and Huadong Ma},
journal= {arXiv preprint arXiv:2303.09706},
year = {2023}
}
备注
ICCV 2023