DRIVE：具有视觉解释的深度强化事故预判
计算机视觉与模式识别
2021-09-07 v2
摘要
交通事故预判旨在从行车记录仪视频中准确且及时地预测未来事故的发生，这对于安全保障的自驾系统至关重要。为鼓励早期且准确的决策，现有方法通常侧重于捕获未来事故发生前的空间与时间上下文线索。然而，它们的决策缺乏视觉解释且忽略与环境的动态交互。在本文中，我们提出具有视觉解释的深度强化事故预判方法，命名为 DRIVE。该方法在行车记录仪观测环境中模拟自下而上与自上而下的视觉注意机制，使得所提出的随机多任务智能体的决策可通过注意区域进行视觉解释。此外，所提出的密集预判奖励与稀疏注视奖励能有效训练 DRIVE 模型与我们改进的强化学习算法。实验结果表明，DRIVE 模型在多个真实世界交通事故数据集上取得了最先进的性能。代码与预训练模型可在 \url{https://www.rit.edu/actionlab/drive} 获取。
引用
@article{arxiv.2107.10189,
title = {DRIVE: Deep Reinforced Accident Anticipation with Visual Explanation},
author = {Wentao Bao and Qi Yu and Yu Kong},
journal= {arXiv preprint arXiv:2107.10189},
year = {2021}
}
备注
ICCV 2021 Paper & Supp