用于改善行人与车辆安全的可解释自动化城市干预
计算机视觉与模式识别
2021-11-10 v2
摘要
目前，城市移动性研究和政府举措大多聚焦于机动车相关问题，例如拥堵和污染问题。然而，我们不能忽视城市景观中最脆弱的要素：行人，其面临比其他道路使用者更高的风险。事实上，安全、便捷和可持续的城市交通系统是联合国2030议程的核心目标。因此，有机会将先进计算工具应用于交通安全问题，尤其针对过去常被忽视的行人。本文结合公共数据源、大规模街景图像和计算机视觉技术，以自动化、相对简单且普遍适用的数据处理方案来探讨行人与车辆安全。该流程涉及的步骤包括调整并训练残差卷积神经网络（Residual Convolutional Neural Network）以确定每幅给定城市场景的危险指数，以及基于图像分割和类激活映射对同一图像的可解释性分析。结合起来，该计算方法的结果是城市中精细的危险等级地图，以及识别可同时改善行人与车辆安全的干预措施的启发式方法。所提出的框架应作为城市规划者和公共当局工作的补充。
引用
@article{arxiv.2110.11672,
title = {Explainable, automated urban interventions to improve pedestrian and vehicle safety},
author = {Cristina Bustos and Daniel Rhoads and Albert Sole-Ribalta and David Masip and Alex Arenas and Agata Lapedriza and Javier Borge-Holthoefer},
journal= {arXiv preprint arXiv:2110.11672},
year = {2021}
}