面向事故预判的全局特征聚合
计算机视觉与模式识别
2020-06-17 v1 人工智能
机器学习
摘要
在自动驾驶与非自动驾驶车辆中提前预判事故有助于避免事故。为识别视频序列中的交通事故等异常事件，网络考虑给定帧中物体间的交互至关重要。我们提出一种新颖的特征聚合(FA)块，通过对一帧中所有物体特征进行加权和来计算，从而精炼每个物体的特征。我们将 FA 块与长短期记忆(LSTM)网络结合以预判视频序列中的事故。我们在 Street Accident (SA) 数据集上报告了平均精度均值(mAP)与平均事故前时间(ATTA)。我们提出的方法通过分别比基于自适应损失与动态参数预测的最佳结果提前 0.32 秒和 0.75 秒预测事故，取得了风险预判的最高分数。
引用
@article{arxiv.2006.08942,
title = {Global Feature Aggregation for Accident Anticipation},
author = {Mishal Fatima and Muhammad Umar Karim Khan and Chong Min Kyung},
journal= {arXiv preprint arXiv:2006.08942},
year = {2020}
}