ID-MAE 模型与 DIVERT 数据集提升驾驶损伤推断效果
热点事件持续更新
ID-MAE 模型与 DIVERT 数据集提升驾驶损伤推断效果
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
John Gideon、Anshul Gupta 等人提出 ID-MAE 多模态掩码扩散自编码器及 DIVERT 数据集,旨在通过结合眼动与轨迹重建的自监督目标,提升驾驶损伤推断精度。在包含十种诱导类型的 103 小时仿真数据上验证,该模型将损伤检测配对 AUC 从 0.590 提升至 0.706。相关代码与数据将在论文被 CVPR 2027 接收后公开,目前成果已提交至会议评审。
AI 根据报道生成 · 11 小时前更新
最新进展11月18日 13:00
ID-MAE 多模态掩码扩散自编码器提升驾驶损伤推断效果报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv · 机器人与计算机视觉ID-MAE 多模态掩码扩散自编码器提升驾驶损伤推断效果
ID-MAE 模型通过结合 gaze 与轨迹重建的自监督目标,在 DIVERT 数据集上将损伤检测配对 AUC 从 0.590 提升至 0.706。该研究利用包含 103 小时数据、涵盖十种认知/视觉/情绪诱导的仿真数据集验证了多模态输入的有效性。代码与数据将在论文被 CVPR 2027 接收后开放,相关成果已提交至会议评审。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 911月18日 16:00
- 近 24 小时变化
- –
02.557.510
16:0018:0020:0022:0011月19日02:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。