行人意图预测中的特征重要性：一种上下文感知的审视
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了深度神经网络在行人意图预测中的黑箱问题，缺乏可解释性导致模型性能信任度降低。提出了一种新的上下文感知置换特征重要性（CAPFI）方法，通过细分场景上下文，提供更可靠的特征重要性评估，从而减少偏差和方差。研究表明行人边界框和自车速度在意图预测中起关键作用，发现了不同上下文对模型表现的影响。
本文介绍了 PIP-Net 框架，用于预测自动驾驶汽车在现实城市场景中行人过马路意图。该模型利用运动数据和驾驶场景的空间特征，采用基于循环和时间注意力的解决方案，优于当前最先进的模型。该模型能够提前4秒准确预测行人过马路意图，是当前行人意图预测研究的突破。同时，首次提出了 Urban-PIP 数据集，包含多相机注释。
