CyclingNet：基于深度学习从复杂城市场景视频流中检测骑行险兆事件

骑行是城市中一种有前景的可持续通勤与休闲方式，然而对碰撞或摔倒的恐惧阻碍了其作为通勤方式的广泛普及。本文提出一种称为 CyclingNet 的新方法，用于从安装在自行车上的前置摄像头生成的视频流中检测骑行险兆事件（near misses），该方法不受摄像头位置、建成环境状况、视觉条件限制，且对骑行行为无任何约束。CyclingNet 是一种基于卷积结构并嵌入自注意力双向长短期记忆（LSTM）块的深度计算机视觉模型，旨在从场景的序列图像及其光流中理解险兆事件。模型在安全骑行与险兆事件场景上进行训练。在单块 GPU 上训练 42 小时后，模型在训练集、测试集和验证集上均表现出高准确率。该模型旨在生成可用于得出关于城市及其他地区骑行行为重要结论的信息，从而帮助规划者与政策制定者在设计基础设施或制定政策时更好地理解安全措施的需求。作为未来工作，该模型可与其他最先进的分类器与物体检测器同时流水线化，以基于道路使用者、建成与自然环境的相互作用相关因素理解险兆事件的因果。