面向道路安全评估与交通场景分类的动态损失平衡与序列增强

道路安全巡检是减少由道路基础设施导致的道路事故死亡人数不可或缺的手段。近期工作将道路安全评估形式化为精心挑选的风险因素，也称为道路安全属性。在当前实践中，这些属性在地理参考单目视频中针对每个路段进行人工标注。我们提出通过两阶段神经架构自动化识别以减少对繁琐人力的依赖。第一阶段通过观察局部时空上下文预测超过四十种道路安全属性。我们的设计利用了高效的卷积流水线，其受益于街道场景语义分割的预训练。第二阶段通过更大时间窗口上的序列整合增强预测。我们的设计利用了轻量级双向LSTM架构的逐属性实例。两个阶段均通过引入基于召回率的动态损失加权的多任务变体来缓解极端类别不平衡。我们在iRAP-BH数据集上进行了实验，该数据集包含波斯尼亚和黑塞哥维那2300公里公共道路沿线的完全标注地理参考视频。我们还通过在文献中的两个道路场景分类数据集（Honda Scenes和FM3m）上与相关工作比较来验证我们的方法。实验评估证实了我们的贡献在所有三个数据集上的价值。