学术论文
近日,国际智能交通领域的学术期刊《IEEE Transactions on Intelligent Transportation Systems》在线发表了由bat365在线登录入口bat365在线登录入口房建武副教授、硕士生乔嘉欢等共同完成的学术论文:“基于自监督一致性学习的行车环境中的事故检测”(Traffic Accident Detection via Self-Supervised Consistency Learning in Driving Scenario, DOI: 10.1109/TITS.2022.3157254)。
房建武副教授是该篇论文的第一作者,其他合作者包括西安交通大学薛建儒教授、美国克利夫兰州立大学余洪凯助理教授,bat365在线登录入口硕士生乔嘉欢、白洁同学。
研究背景
近年来,越来越多的研究致力于开发先进的驾驶辅助、自动驾驶系统和汽车互联网,以达成更舒适、更安全的驾驶体验的美好愿景。据世界卫生组织调查显示,每年有超过135万人死于交通事故。为了减少事故率,除了在正常驾驶情况下发展驾驶技术外,驾驶系统的一个关键和基本方面是及时应对异常情况,特别是在本工作中要探索的交通事故检测。实际上,尽管交通事故对一辆车的发生采取长尾分布,但一旦发生,还是会对行车安全造成严重影响。
由于交通事故发生的频率罕见,在实际驾驶中不可能在线收集足够和多样化的训练数据。所以,没有足够的数据标签来覆盖交通世界中的各种交通事故,并实现对交通事故检测的完全监督学习。因此,以往的工作通常采用交通事故很少发生的假设,用捕获的视频通过正常情况将事故检测作为拟合问题建模,并建立了一个无监督学习原型。
主要内容
在这项工作中,我们吸收了视频帧预测和轨迹预测两类方法的优点,提出融合目标轨迹、视频帧、交互关系预测的交通事故检测。主要基于正常驾驶情况中道路场景变化服从相对稳定的时空关系,事故对象通常涉及空间-时间关系结构的突然或不规则变化。我们将这种关系特征称为“视觉场景上下文特征”。因此,本工作构建了一个自监督的外观、运动和上下文一致性学习方法,用于驾驶场景中的交通事故检测。通过建立了一个多任务一致性学习网络,嵌入图状生成对抗网络进行一致性学习。此工作不需要任何额外任何标注和视频修剪工作,可以直接用于原始行车记录仪视频。我们评估了在A3D数据集和自主收集的DADA-2000上10万帧数据上验证了方法的优势。
论文链接:
https://ieeexplore.ieee.org/document/9733965/