HiSS: Human-Inspired Semantic Segmentation for Vehicle Interior Scene Understanding
Notice bibliographique
Résumé
Computer vision plays a critical role in autonomous vehicle technology, with semantic segmentation being a key component by labeling each pixel in an image. This study evaluates the effectiveness of a bio-inspired hybrid approach that combines binary and multiclass segmentation process to improve semantic segmentation in vehicle interiors as part of a Cabin Monitoring System, drawing inspiration from human visual perception processes. Experiments were conducted on synthetic data from the SVIRO dataset using SegFormer, a transformer-based model for segmentation, and YOLO for detection, respectively. Various architectures with a novel hybrid approach were tested that mimics the hierarchical processing of the human attention mechanism by using different Gaussian and distance transform-based masks to refine the focus of the multiclass model. The innovative hybrid approach combining binary and multiclass segmentation improved the mean Intersection over Union from 0.55 to 0.61. Two perceptually-motivated postprocessing methods were developed: a basic approach inspired by visual completion phenomena that further enhanced mIoU to 0.76, and an extended context-aware variant that achieved better accuracy (0.87 vs. 0.84) by analyzing neighborhood information to determine appropriate replacement classes, simi-lar to human contextual integration processes. These methods are highly generic and can be adapted to a wide range of segmentation challenges beyond vehicle interiors. The integration of human perceptual principles into computational vision systems demonstrates the value of biomimetic approaches in advancing artificial intelligence. In addition, we provide a detailed discussion of the results and outline potential directions for future research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».