MEDIRL: Predicting the Visual Attention of Drivers via Maximum Entropy Deep Inverse Reinforcement Learning.
tóm tắt
Lấy cảm hứng từ sự chú ý thị giác của con người, chúng tôi đề xuất một công thức Inverse Reinforcement Learning mới sử dụng Maximum Entropy Deep Inverse Reinforcement Learning (MEDIRL) để dự đoán sự chú ý thị giác của các tài xế trong các tình huống dễ xảy ra tai nạn. MEDIRL dự đoán các vị trí cố định mắt dẫn đến phần thưởng tối đa bằng cách học một hàm phần thưởng nhạy với tác vụ từ các mẫu cố định mắt được ghi lại từ các tài xế chú ý. Ngoài ra, chúng tôi giới thiệu EyeCar, một bộ dữ liệu chú ý của tài xế mới trong các tình huống dễ xảy ra tai nạn. Chúng tôi thực hiện các thí nghiệm toàn diện để đánh giá mô hình được đề xuất của mình trên ba benchmark phổ biến: (DR(eye)VE, BDD-A, DADA-2000), và bộ dữ liệu EyeCar của chúng tôi. Kết quả cho thấy rằng MEDIRL vượt trội các mô hình hiện có trong việc dự đoán sự chú ý và đạt hiệu năng tốt nhất hiện nay. Chúng tôi trình bày các nghiên cứu loại bỏ thành phần sâu rộng để cung cấp thêm hiểu biết về các đặc điểm khác nhau của mô hình được đề xuất của chúng tôi.
chi tiết
trích dẫn
@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},
}