MEDIRL: Predicting the Visual Attention of Drivers via Maximum Entropy Deep Inverse Reinforcement Learning.
resumen
Inspirados por la atención visual humana, proponemos una formulación novedosa de aprendizaje por refuerzo inverso que utiliza Aprendizaje por Refuerzo Inverso Profundo de Máxima Entropía (MEDIRL) para predecir la atención visual de los conductores en situaciones propensas a accidentes. MEDIRL predice ubicaciones de fijación que conducen a recompensas máximas aprendiendo una función de recompensa sensible a la tarea a partir de patrones de fijación ocular registrados de conductores atentos. Adicionalmente, presentamos EyeCar, un nuevo conjunto de datos de atención de conductores en situaciones propensas a accidentes. Realizamos experimentos exhaustivos para evaluar nuestro modelo propuesto en tres benchmarks comunes: (DR(eye)VE, BDD-A, DADA-2000) y nuestro conjunto de datos EyeCar. Los resultados indican que MEDIRL supera a los modelos existentes en la predicción de la atención y alcanza un rendimiento de vanguardia. Presentamos estudios de ablación extensos para aportar más información sobre las diferentes características de nuestro modelo propuesto.
detalles
cita
@inproceedings{baee2021medirl,
title = {MEDIRL: Predicting the Visual Attention of Drivers via Maximum Entropy Deep Inverse Reinforcement Learning.},
author = {Baee, Sonia and Pakdamanian, Erfan and Kim, Inki and Feng, Lu and Ordonez, Vicente and Barnes, Laura},
year = {2021},
booktitle = {International Conference on Computer Vision. ICCV 2021},
url = {https://arxiv.org/abs/1912.07773},
}