计算机科学 > 机器人技术
[提交于 2025年6月25日
]
标题: DriveBLIP2:复杂驾驶场景的注意力引导解释生成
标题: DriveBLIP2: Attention-Guided Explanation Generation for Complex Driving Scenarios
摘要: 本文介绍了一种新的框架DriveBLIP2,该框架基于BLIP2-OPT架构,用于为新兴驾驶场景生成准确且上下文相关的解释。 尽管现有的视觉-语言模型在一般任务中表现良好,但在理解复杂、多对象环境方面遇到困难,尤其是在自动驾驶等实时应用中,快速识别关键物体至关重要。 为解决这一限制,提出了一个注意力图生成器,以突出显示关键视频帧中与驾驶决策相关的显著物体。 通过引导模型关注这些关键区域,生成的注意力图有助于产生清晰且相关的解释,使驾驶员更好地理解车辆在关键时刻的决策过程。 在DRAMA数据集上的评估表明,与基线模型相比,解释质量有显著提高,如BLEU、ROUGE、CIDEr和SPICE得分更高。 这些发现强调了定向注意力机制在视觉-语言模型中的潜力,以增强实时自动驾驶中的可解释性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.