双编码器-解码器-编码器与对抗性培训,用于监控视频中无人监督的交通事故检测

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 道路安全工程 道路安全工程

背景情况:

• 手动监控交通监控录像以检测事故是容易出错和耗时的.
• 由于显著的类不平衡 (罕见事故与普通驾驶),自动化事故检测具有挑战性.
• 传统的计算机视觉难以区分正常与异常的交通事件.

研究的目的:

• 开发先进的自动化系统,及时检测交通事故和不安全的驾驶行为.
• 克服现有方法在处理类失衡和微妙异常检测方面的局限性.

主要方法:

• 开发了一个使用双编码器-解码器-编码器 (EDE) 框架的深度学习架构.
• 该模型将图像分布映射到双向隐藏分布,以描述正常的交通行为.
• 为了提高异常灵敏度,采用了包括生成对抗机制在内的两阶段培训策略.

主要成果:

• 双-EDE框架有效地模拟了正常的交通模式,并检测了表明潜在危险的偏差.
• 对抗训练放大了差异,提高了对微妙异常的反应能力.
• 在真实世界数据集上的实验结果显示,事故和不安全行为的检测准确性和稳定性得到了显著改善.

结论:

• 拟议的双-EDE架构与对抗性培训相结合,为交通事故检测提供了实质性的进展.
• 这种方法提高了模拟正常和异常驾驶行为的能力,以提高道路安全.
• 该系统在真实世界的监控录像中,在准确和稳健地识别事故和不安全驾驶方面表现出卓越的性能.