MEDIRL: Predicting the Visual Attention of Drivers via Maximum Entropy Deep Inverse Reinforcement Learning.
resumo
Inspirados pela atenção visual humana, propomos uma nova formulação de aprendizado por reforço inverso usando Maximum Entropy Deep Inverse Reinforcement Learning (MEDIRL) para prever a atenção visual de motoristas em situações propensas a acidentes. O MEDIRL prevê locais de fixação que levam a recompensas máximas ao aprender uma função de recompensa sensível à tarefa a partir de padrões de fixação ocular registrados de motoristas atentos. Além disso, introduzimos o EyeCar, um novo conjunto de dados de atenção de motoristas em situações propensas a acidentes. Realizamos experimentos abrangentes para avaliar nosso modelo proposto em três benchmarks comuns: (DR(eye)VE, BDD-A, DADA-2000) e em nosso conjunto de dados EyeCar. Os resultados indicam que o MEDIRL supera os modelos existentes na previsão de atenção e alcança desempenho de estado da arte. Apresentamos estudos de ablação extensos para fornecer mais insights sobre diferentes características de nosso modelo proposto.
detalhes
citação
@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},
}