通过监督对比学习来增强交通安全关键事件的视觉表示
Boyu Jiang1, Liang Shi2, Feng Guo3
1Department of Statistics, Virginia Polytechnic Institute and State University, Blacksburg, VA 24061, USA.
Journal of safety research
|December 3, 2025
概括
本研究引入了监督对比学习 (SCL),以改善交通安全关键事件 (SCE) 检测. SCL增强了驾驶视频中的视觉表示,从而更好地识别了碰撞和接近碰撞的情况.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 道路交通安全 道路交通安全
背景情况:
- 开发交通安全关键事件 (SCE) 模型,如交通事故,对于道路安全至关重要.
- 目前的方法在视频数据中难以区分SCE与正常驾驶.
研究的目的:
- 提出一种新的监督对比学习 (SCL) 方法来增强交通视频表示.
- 改进在现实驾驶场景中检测安全关键事件 (SCE).
主要方法:
- 实施了监督对比学习 (SCL) 方法,将标签信息整合到对比损失中.
- 使用了一个轻量级的视频编码器,优化了交通视频数据.
- 在代表空间中增强了阶级内部的凝聚力和阶级间的分离.
主要成果:
- 根据SHRP2自然驾驶研究数据集进行评估.
- 与基准相比,在代表性聚类中表现出优异的表现.
- 在下游三向事件分类任务中取得更好的结果.
结论:
- 该SCL方法为交通视频分析提供了改进的视觉表示.
- 增强的SCE检测可以显著受益于先进的驾驶辅助和自动驾驶系统.
- 这有助于及时发出警报,避免碰撞,降低碰撞风险.
