面向风险感知的交通场景图生成
计算机视觉与模式识别
2026-05-05 v2
摘要
在复杂驾驶场景中保持情境意识具有挑战性。这需要持续地优先考虑广泛场景实体，并理解显著风险如何影响自主车辆。虽然现有研究在检测特定语义类别和视觉显著区域方面表现突出，但缺乏评估安全相关性的能力。与此同时，现有场景图所使用的通用空间谓词，要么仅适用于前景对象，要么适用于所有场景实体，对于驾驶场景而言不够。为弥合这一差距，我们提出了一种新任务，即交通场景图生成（Traffic Scene Graph Generation），其捕获显著风险与自主车辆之间的流量特定关系。我们提出了一种新框架，显式地使用交通事故数据和深度线索来补充视觉特征和语义信息，以进行推理。输出的交通场景图提供了直观的指南，强调显著风险通过颜色编码其严重程度，并注明其作用机制和相对于自主车辆的相对位置。我们在Cityscapes数据集上创建关系注释，并在10个任务（来自5个视角）上评估我们的模型。对比实验和消融研究的结果表明，我们在自主中心推理中具有处理风险感知交通场景理解的能力。
引用
@article{arxiv.2603.03584,
title = {Hazard-Aware Traffic Scene Graph Generation},
author = {Yaoqi Huang and Julie Stephany Berrio and Mao Shan and Stewart Worrall},
journal= {arXiv preprint arXiv:2603.03584},
year = {2026}
}