对驾驶员视线数据集的数据收集和注释方法的评估
Pavan Kumar Sharma1, Pranamesh Chakraborty2
1Department of Civil Engineering, Indian Institute of Technology Kanpur, Kanpur, 208016, U.P, India. pavans20@iitk.ac.in.
Behavior research methods
|May 14, 2025
概括
本研究引入了一种新的基于移动指针的注释方法,用于估计驾驶员的目光,比手动或Speak2Label方法更准确. 该研究还分析了错误分类,以改善驾驶员的目光数据集.
科学领域:
- 计算机科学 计算机科学
- 人与计算机的交互
- 汽车工程 汽车工程
背景情况:
- 驾驶员的目光估计对于先进的驾驶辅助系统和了解驾驶员行为至关重要.
- 用于视线区分类的监督和深度学习模型需要大规模的标记数据集.
- 当前的注释方法可能会引入影响模型性能的不准确性.
研究的目的:
- 引入和评估一个新的基于移动指针的注释方法,用于驾驶员的目光数据.
- 将基于移动指针的注释与手动和Speak2Label方法的准确性进行比较.
- 分析现有的注释方法中错误分类的原因,并创建一个基准数据集.
主要方法:
- 采用三种注释方法收集了司机视线数据集:手动,Speak2Label和基于指针的移动.
- 使用眼球追踪器为所有注释方法获得地面真实标签.
- 进行了混矩阵分析,两样品t测试和交叉相关性分析以调查错误分类.
主要成果:
- 基于移动指针的注释方法与手动和Speak2Label方法相比,显示出更高的准确性.
- 分析了手册注释中关于头部姿势和瞳孔位置的错误分类.
- Speak2Label的错误分类是由于语音凝视时间序列的延迟,通过交叉相关性分析量化.
结论:
- 基于移动指针的注释方法是收集司机视线数据的更准确方法.
- 了解错误分类因素对于提高驾驶员视线数据集质量至关重要.
- 基于眼睛追踪器的驾驶员凝视数据集 (ET-DGaze) 为驾驶员凝视研究提供了有价值的标记数据.
