STAGNet：一种用于事故预测的时空图与LSTM框架
计算机视觉与模式识别
2025-12-30 v4
摘要
事故预测和及时的预防措施通过降低道路使用者受伤风险和减少财产损失来提高道路安全。因此，它们是高级驾驶辅助系统（ADAS）和自动驾驶车辆的关键组成部分。虽然许多现有系统依赖于多种传感器，如激光雷达、雷达和GPS，但仅依赖行车记录仪视频提出了一种更具挑战性，但更具成本效益且易于部署的解决方案。在这项工作中，我们融合了改进的时空特征，并通过循环网络对其进行聚合，以增强用于从行车记录仪视频预测事故的最先进的图神经网络。使用三个公开数据集（DAD、DoTA和DADA）进行的实验表明，我们提出的STAGNet模型在平均精度和平均事故预测时间得分上均优于先前的方法，无论是在给定数据集上进行交叉验证，还是在不同数据集上进行训练和测试时。
引用
@article{arxiv.2508.15216,
title = {STAGNet: A Spatio-Temporal Graph and LSTM Framework for Accident Anticipation},
author = {Vipooshan Vipulananthan and Kumudu Mohottala and Kavindu Chinthana and Nimsara Paramulla and Charith D Chitraranjan},
journal= {arXiv preprint arXiv:2508.15216},
year = {2025}
}
备注
Published in IEEE Access