基于多关系图卷积网络实现精确车辆行为分类
计算机视觉与模式识别
2020-05-13 v3
摘要
从传感器数据的时间序列理解道路车辆行为正日益受到关注。本文提出一种从单目图像序列或视频理解车辆行为的流程。单目序列连同场景语义、光流和物体标签被用于获取场景中感兴趣物体（车辆）及其他物体（语义连续位置集合）的空间信息。该空间信息由多关系图卷积网络（MR-GCN）编码，此类编码的时间序列被送入循环网络以标注车辆行为。所提框架可在多样且包含欧洲、中国和印度道路场景的数据集上高保真地分类多种车辆行为。该框架还支持跨数据集的无缝模型迁移，无需重新标注、重训练乃至微调。我们展示了相对于基线时空分类器的性能提升，并详述多种消融实验以彰显框架效能。
引用
@article{arxiv.2002.00786,
title = {Towards Accurate Vehicle Behaviour Classification With Multi-Relational Graph Convolutional Networks},
author = {Sravan Mylavarapu and Mahtab Sandhu and Priyesh Vijayan and K Madhava Krishna and Balaraman Ravindran and Anoop Namboodiri},
journal= {arXiv preprint arXiv:2002.00786},
year = {2020}
}
备注
To appear in IV (IEEE Intelligent Vehicles Symposium) 2020