|
動画を対象とした注視領域推定モデルの精度向上のために、動的顕著性と静的顕著性を計測して比較した。その結果，対象が大きく移動するシーンでは動的顕著性と静的顕著性が類似しないことを確認した。また、対象が移動するシーンでは視線が対象の前方を注視しており、対象の運動が変化したシーンでは対象を注視できないことを確認した。さらに、動画を対象とした顕著性推定モデルの精度向上の知見を得るため、対象が移動している動画に対して、視線追跡装置を用いて得られた結果を解析したところ、注視領域は対象の移動方向に偏ることがわかった。また、対象の運動が変化したとき、注視領域は運動が変化する前の運動に影響されることがわかった。
車載カメラ画像における注視領域の推定精度を向上させるため、一般的な視線を推定する顕著性マップモデルにオプティカルフローの湧出点であるFOEを組み込む手法を提案した。また、FOEに関しては、オプティカルフローのノルムに着目したロバスト性の高い手法を提案した。提案モデルの定性的評価と定量的評価より、ベースラインであるHD2S、TASED-Netと比較して高精度に注視領域が推定できていることを確認した。
単一ストリームの運転時の注視領域推定モデルを提案した。BDD-Aで公開されている車載カメラ画像のデータセットを用いて有効性を検証したところ、提案モデルは、CCとSIMの評価指標において、良好であった。
大規模なデータセットは、ディープラーニングモデルの性能を向上させる。車載カメラ画像データセットには、昼間のシーンが多く、夜間のシーンは少ない。そこで夜間のデータセットを増やすために、視覚的な外観や内容を保持したまま昼間の道路シーンを夜間の道路シーンに変換する画像間変換モデルを提案した。
|
