融合生成对抗网络与卷积神经网络以增强交通事故检测与分析
计算机视觉与模式识别
2025-06-23 v1
摘要
利用闭路电视（CCTV）录像进行事故检测是提升交通安全和实现高效交通控制的最关键功能之一。为此，本研究通过采用优秀的深度学习技术，解决了事故检测系统中的监督监测和数据不足问题。其动机源于全球车祸数量的上升趋势，这需要创新并建立一种智能、高效、自动化的方式来识别事故并呼叫救援以挽救生命。针对数据稀缺问题，所提出的框架结合了用于数据合成的生成对抗网络（GAN）和用于模型训练的卷积神经网络（CNN）。从YouTube视频中收集事故和非事故的视频帧，并执行调整大小、图像增强和像素范围归一化等操作。使用了三种模型：CNN、微调卷积神经网络（FTCNN）和视觉Transformer（ViT）。其中，FTCNN和ViT在从CCTV检测事故方面表现最佳，准确率达到94%和95%，而CNN模型达到88%。这些结果表明，所提出的框架因其高实时事故检测能力和广泛适用性而适用于交通安全应用。这项工作为未来用于实时交通监控、智慧城市框架以及将智能监控系统集成到应急管理系统中的智能监控系统奠定了基础。
引用
@article{arxiv.2506.16186,
title = {Integrating Generative Adversarial Networks and Convolutional Neural Networks for Enhanced Traffic Accidents Detection and Analysis},
author = {Zhenghao Xi and Xiang Liu and Yaqi Liu and Yitong Cai and Yangyu Zheng},
journal= {arXiv preprint arXiv:2506.16186},
year = {2025}
}