EgoSpeed-Net：基于第一视角视频数据的驾驶员行为速度控制预测
计算机视觉与模式识别
2022-09-28 v1 机器学习
摘要
速度控制预测是驾驶员行为分析中的一个具有挑战性的问题，旨在预测驾驶员未来控制车速的动作，如制动或加速。在本文中，我们试图仅使用第一视角视频数据来解决这一挑战，这与文献中大多数使用第三人称视角数据或额外车辆传感器数据（如GPS）或两者兼用的研究形成对比。为此，我们提出了一种基于图卷积网络（GCN）的新型网络，即EgoSpeed-Net。我们的动机在于，物体随时间的位置变化可为预测未来速度变化提供非常有用的线索。我们首先逐帧使用全连接图对每个类别中物体间的空间关系进行建模，并在其上应用GCN进行特征提取。然后我们利用长短期记忆网络将每个类别随时间变化的特征融合为一个向量，拼接这些向量并使用多层感知机分类器预测速度控制动作。我们在本田研究所驾驶数据集上进行了大量实验，证明了EgoSpeed-Net的优越性能。
引用
@article{arxiv.2209.13459,
title = {EgoSpeed-Net: Forecasting Speed-Control in Driver Behavior from Egocentric Video Data},
author = {Yichen Ding and Ziming Zhang and Yanhua Li and Xun Zhou},
journal= {arXiv preprint arXiv:2209.13459},
year = {2022}
}
备注
In Proceedings of the 30th ACM SIGSPATIAL, International Conference on Advances in Geographic Information Systems (2022) [accepted as a full paper]