AHMF: Adaptive Hybrid-Memory-Fusion Model for Driver Attention Prediction

准确的驾驶员注意力预测可以作为智能车辆理解交通场景和做出明智驾驶决策的重要参考。虽然现有的驾驶员注意力预测研究通过整合先进的显著性检测技术提高了性能，但它们忽略了通过从认知科学的角度分析驾驶任务来实现类人预测的机会。在驾驶过程中，驾驶员的工作记忆和长期记忆在场景理解和经验检索方面起着至关重要的作用。它们共同形成情境感知，使驾驶员能够快速理解当前的交通状况，并根据过去的驾驶经验做出最佳决策。为了明确地整合这两种类型的记忆，本文提出了一种自适应混合记忆融合（AHMF）驾驶员注意力预测模型，以实现更类人的预测。具体而言，该模型首先对当前场景中特定危险刺激的信息进行编码，形成工作记忆。然后，它自适应地从长期记忆中检索类似的情境经验进行最终预测。利用领域自适应技术，该模型在多个数据集上进行并行训练，从而丰富了长期记忆模块中积累的驾驶经验。与现有模型相比，我们的模型在多个公共数据集上表现出显著的改进，证明了整合混合记忆在驾驶员注意力预测中的有效性。

本论文旨在提高驾驶员注意力预测的准确性，通过从认知科学的角度分析驾驶任务，将工作记忆和长期记忆结合起来，提出了自适应混合记忆融合（AHMF）驾驶员注意力预测模型。

本论文提出的AHMF模型通过将当前场景中特定危险刺激的信息编码为工作记忆，然后自适应地从长期记忆中检索类似的情境经验进行最终预测，从而实现了更像人类的预测。

论文通过使用领域自适应技术，在多个数据集上进行并行训练，丰富了长期记忆模块中积累的驾驶经验。与现有模型相比，AHMF模型在多个公共数据集上展现出显著的改进，证明了将混合记忆集成到驾驶员注意力预测中的有效性。

最近的相关研究包括：1. “A Review of Driver Distraction Guidelines and Surveys”；2. “Driver Attention Prediction with Multimodal Fusion of Camera and Inertial Sensors”；3. “A Deep Learning Approach to Detecting Driver Drowsiness Based on Eye Tracking and Dynamic Visual Stimuli”。