使用图神经网络合成交通数据集
计算机视觉与模式识别
2023-12-11 v1 机器学习
摘要
城市地区的交通拥堵带来了重大挑战，智能交通系统（ITS）试图通过自动化和自适应控制来解决这些问题。然而，这些系统常常难以将模拟经验迁移到真实世界场景。本文介绍了一种通过从二维交通模拟和记录的交叉口视频中创建逼真图像来弥合这种“模拟-现实”差距的新方法。我们提出了一种新颖的图像生成方法，将条件生成对抗网络与图神经网络（GNN）相结合，以促进创建逼真的城市交通图像。我们利用GNN在不同抽象层次上处理信息的能力，并结合分割图像来保留局部性数据。所提出的架构利用SPADE和图注意力（GAT）网络模型的力量，基于模拟的交通场景创建图像。这些图像受到诸如实体位置、颜色和一天中的时间等因素的调节。我们方法的独特之处在于其能够有效地将结构化的、人类可读的条件（编码为图）转换为逼真的图像。这一进展有助于需要丰富交通图像数据集的应用，从数据增强到城市交通解决方案。我们进一步提供了一个应用来测试模型的能力，包括生成具有手动定义的各种实体位置的图像。
引用
@article{arxiv.2312.05031,
title = {Synthesizing Traffic Datasets using Graph Neural Networks},
author = {Daniel Rodriguez-Criado and Maria Chli and Luis J. Manso and George Vogiatzis},
journal= {arXiv preprint arXiv:2312.05031},
year = {2023}
}
备注
8 pages, 26th International Conference on Intelligent Transportation Systems