学习未知内容：基于几何-语义的事故预警生成数据增强
计算机视觉与模式识别
2026-05-04 v1 机器学习
摘要
预判交通事故是自动驾驶领域的关键问题，但受限于建模道路用户之间相互作用复杂度以及稀缺的多样化大规模数据集，尚未得到解决。为此，我们提出一种双路径框架。一方面，我们采用视频合成管道，依据结构化提示，从现有数据集中提取特征分布，生成与真实数据统计模式一致的高保真合成驾驶场景。另一方面，我们设计了集成语义线索的图神经网络，使其能够对空间和语义关系进行动态推理。为验证方法有效性，我们发布了新的基准数据集，包含标准化、精细标注的视频序列，覆盖广泛的地区、天气和交通条件。跨现有数据集和新基准的评估表明，我们的方法在准确率和预警时长上均实现显著提升，凸显了该框架在缓解当前数据瓶颈、提升自动驾驶系统可靠性方面的潜力。
引用
@article{arxiv.2605.00051,
title = {Learning from the Unseen: Generative Data Augmentation for Geometric-Semantic Accident Anticipation},
author = {Yanchen Guan and Haicheng Liao and Chengyue Wang and Xingcheng Liu and Jiaxun Zhang and Keqiang Li and Zhenning Li},
journal= {arXiv preprint arXiv:2605.00051},
year = {2026}
}