一种用于交通事故早期预判的动态时空注意力网络
计算机视觉与模式识别
2021-12-22 v2 人工智能
摘要
传感器技术与人工智能的快速发展正在为提升交通安全创造新机遇。行车记录仪(dashcam)已广泛部署于人类驾驶车辆和自动驾驶车辆上。一个能够基于行车记录仪视频准确且迅速预测事故的计算智能模型将增强事故预防的 preparedness。交通参与者的时空交互十分复杂。用于预测未来事故的视觉线索深嵌于行车记录仪视频数据中。因此,交通事故的早期预判仍是一项挑战。受人类在视觉感知事故风险时注意力行为的启发,本文提出一种动态时空注意力(DSTA)网络用于行车记录仪视频的事故早期预判。DSTA网络通过动态时间注意力(DTA)模块学习选择视频序列中具有判别性的时间段,并通过动态空间注意力(DSA)模块学习聚焦于帧中信息丰富的空间区域。门控循环单元(GRU)与注意力模块联合训练以预测未来事故的概率。在两个基准数据集上对DSTA网络的评估证实其已超越最先进(SOTA)性能。在组件层面对DSTA网络进行的详尽消融研究揭示了该网络如何实现如此性能。此外,本文提出一种融合两个互补模型预测分数的方法,并验证了其在进一步提升事故早期预判性能方面的有效性。
引用
@article{arxiv.2106.10197,
title = {A Dynamic Spatial-temporal Attention Network for Early Anticipation of Traffic Accidents},
author = {Muhammad Monjurul Karim and Yu Li and Ruwen Qin and Zhaozheng Yin},
journal= {arXiv preprint arXiv:2106.10197},
year = {2021}
}
备注
10 pages, 4 figures, submitted to a journal