基于不确定性与时空关系学习的交通事故预判
计算机视觉与模式识别
2020-08-04 v1
摘要
交通事故预判旨在利用行车记录仪视频尽可能早地预测事故，这对于保障安全的自动驾驶系统至关重要。面对杂乱的交通场景和有限的视觉线索，从早期观测帧预测何时会发生事故极具挑战性。现有多数方法致力于学习事故相关主体的特征以进行事故预判，却忽略了它们的空间与时间关系特征。此外，当前的确定性深度神经网络可能在错误预测上过度自信，导致自动驾驶系统引发高风险的交通事故。本文提出一种基于不确定性的事故预判模型，并结合时空关系学习。该模型利用行车记录仪视频顺序预测交通事故发生的概率。具体而言，我们提出利用图卷积与循环网络进行关系特征学习，并借助贝叶斯神经网络处理潜在关系表示的内在变异性。所导出的基于不确定性的排序损失通过提升关系特征质量显著提高了模型性能。此外，我们收集了一个新的车祸数据集（Car Crash Dataset, CCD）用于交通事故预判，其中包含环境属性与事故原因标注。在公开数据集与新整理数据集上的实验结果表明了我们的模型达到了最先进的性能。我们的代码与CCD数据集可在 https://github.com/Cogito2012/UString 获取。
引用
@article{arxiv.2008.00334,
title = {Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal Relational Learning},
author = {Wentao Bao and Qi Yu and Yu Kong},
journal= {arXiv preprint arXiv:2008.00334},
year = {2020}
}
备注
Accepted by ACM MM 2020