利用条件风格迁移扩充自车数据以实现交通险情与事故分类数据集的重构
计算机视觉与模式识别
2023-01-10 v1
摘要
为开发先进的自动驾驶系统，许多研究者致力于从闭路电视（CCTV）和仪表盘摄像头中预警所有可能的交通风险情形。大多数方法聚焦于逐帧识别异常发生时刻，但由于现有标注数据集仅用于检测交通视频中的异常，它们未能明确是哪一道路参与者可能导致自车发生碰撞。险情（near-miss）是事故的一种类型，可定义为险些发生的事故。然而，在事故发生前，险情与事故并无区别，因此我们的贡献是重新定义事故定义，并对 DADA-2000 数据集上的事故不一致标注进行重新标注，同时纳入险情。通过扩展事故持续时间的起止时刻，我们的标注能精确覆盖事件期间所有自车运动，并一致地对包括险情在内的所有潜在交通风险事故进行分类，从而为真实驾驶辅助系统提供更关键的信息。所提方法集成了两个不同组件：条件风格迁移（CST）和可分离三维卷积神经网络（S3D）。CST 架构源自无监督图像到图像迁移网络（UNIT），用于扩充重新标注的 DADA-2000 数据集，以增加交通风险事故视频数量，并泛化视频分类模型在不同条件类型上的性能；而 S3D 可用于视频分类，以证明数据集重新标注的一致性。在评估中，所提方法在交叉验证分析上准确率较基线模型取得了 10.25% 正向边际的显著提升。
引用
@article{arxiv.2301.02726,
title = {Augmenting Ego-Vehicle for Traffic Near-Miss and Accident Classification Dataset using Manipulating Conditional Style Translation},
author = {Hilmil Pradana and Minh-Son Dao and Koji Zettsu},
journal= {arXiv preprint arXiv:2301.02726},
year = {2023}
}
备注
8 pages, conference