HAVT-IVD：面向音视频监控的异构感知网络用于车辆怠速检测
计算机视觉与模式识别
2025-10-27 v2 机器人学
摘要
怠速车辆检测（IVD）使用监控视频和多通道音频，在拖车区定位和分类车辆状态（移动、怠速或熄火）。IVD面临三个挑战：（i）视觉线索与音频模式之间的模态异构性；（ii）大范围框尺寸变换需要多分辨率检测；（iii）由于检测头部分离导致的训练不稳定性。以往采用简单基于CBAM的双模注意力的端到端（E2E）模型无法处理这些问题，常常漏检车辆。我们提出HAVT-IVD，一种具备视觉特征金字塔和解耦头部的异构感知网络。实验表明，HAVT-IVD相对于无关基线提高了7.66的mAP，相对于E2E基线提高了9.42。
引用
@article{arxiv.2504.16102,
title = {HAVT-IVD: Heterogeneity-Aware Cross-Modal Network for Audio-Visual Surveillance: Idling Vehicles Detection With Multichannel Audio and Multiscale Visual Cues},
author = {Xiwen Li and Xiaoya Tang and Tolga Tasdizen},
journal= {arXiv preprint arXiv:2504.16102},
year = {2025}
}