基于自适应损失与大规模事故数据库的交通意外预判
计算机视觉与模式识别
2018-04-10 v1
摘要
在本文中，我们提出了一种通过（i）用于早期预判的自适应损失（AdaLEA）与（ii）一个用于预判的大规模自标注事故数据库来进行交通意外预判的新方法。所提 AdaLEA 允许模型随着训练推进逐步学习更早的预判。该损失函数根据模型在每个 epoch 能多早预判交通意外来自适应地分配惩罚权重。此外，我们构建了用于预判的 Near-miss Incident DataBase（近似事故数据库）。该数据库包含海量交通近似事故视频与标注，用于风险预判与风险因素预判两项任务的细致评估。在我们的实验结果中，我们发现我们的方案在风险预判上取得了最高分数（在平均精度均值（mAP）上高 +6.6%，在平均碰撞时间（ATTC）上比先前工作早 2.36 秒）并在风险因素预判上（在 mAP 上高 +4.3%，在 ATTC 上比先前工作早 0.70 秒）也取得最高分数。
引用
@article{arxiv.1804.02675,
title = {Anticipating Traffic Accidents with Adaptive Loss and Large-scale Incident DB},
author = {Tomoyuki Suzuki and Hirokatsu Kataoka and Yoshimitsu Aoki and Yutaka Satoh},
journal= {arXiv preprint arXiv:1804.02675},
year = {2018}
}
备注
Accepted to CVPR 2018