Apr, 2018

用于检测交通几乎碰撞事件的驾驶视频分析

PDF
TL;DR本研究通过在百余辆出租车上安装行车记录仪，建立了一个交通近失事故数据库（NIDB），用于帮助自动驾驶车辆和高级驾驶辅助系统（ADAS）自我学习，并开发了一种近失识别方法，其性能可与人类对近失事故的理解相媲美。
self-driving carstraffic near-miss incidentsdatabaseautomated systemsmonocular driving recorder
发现论文，激发创造
  • 第一人称视角视频的无监督交通事故检测

    本文提出了一种基于未监督学习的方法，通过预测交通参与者未来位置并监测三种不同策略的预测准确度和一致性来检测仪表板安装的摄像头视频中的交通事故。实验结果表明，该方法优于最先进的方法。

    Mar, 2019

  • 使用自适应损失和大规模事故数据库预测交通事故

    本文研究交通事故的预测，并提出了 AdaLEA 和自注释数据库等方法，在实验中取得了较好的平均精确度和在接近碰撞时间方面更早的预测时间。

    Apr, 2018

  • 通过模态和视角分析的实时驾驶员监控系统

    该研究提出了一种实时检测驾驶人行为的新方法，通过研究不同的感知模态发现红外视频在检测中更具有信息量，并通过多分类技术扩展 DAD 数据集。

    Oct, 2022

  • 智能交叉口：基于双流卷积网络的交通视频实时近事故检测

    本文提出了一个基于卷积神经网络的两流网络结构，可实现交通视频数据中道路用户的实时检测，跟踪和接近事故检测。使用我们提出的交通接近事故数据集（TNAD）进行实验，该数据集涵盖了各种交通交互类型，并在 TNAD 数据集上表现出有竞争力的、定性和定量的高帧率性能。

    Jan, 2019

  • DADA-2000: 驾驶员专注度能否预测驾驶事故？通过基准测试分析

    本文提出了一个新的基于驾驶员目光追踪和车祸注释的视频基准测试集（DADA-2000），涵盖了 54 种不同类型的车祸，可以更全面地预测即将发生的事故。

    Apr, 2019

  • 基于视频流的骑行近距离通行事件检测基准

    本文介绍了一个新的基准测试，名为 Cyc-CP，用于从视频流中检测骑行中的紧贴近路误事故。我们提出了两种基于深度学习技术的基准模型，为这两个问题提供了 88.13％和 84.60％的准确性，并提供了数据集和检测模型以促进更多深入研究。

    Apr, 2023

  • 具有多个标签的交通事故数据库，包含多个视角的环境信息

    发展自动驾驶和高级驾驶辅助系统技术是必要的，而交通事故识别在其中起着重要作用。我们提出了一个大规模交通事故识别数据集 V-TIDB，通过注释多种环境信息作为多标签来提高交通事故识别的性能。实验结果表明 V-TIDB 能够学习细致考虑环境信息的交通事故识别模型，用于适当的交通事故分析。

    Dec, 2023

  • 利用深度学习的实时交通监控事故检测

    本论文提出了一种在交通监控应用中实现交通事故检测的高效框架，包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪，以及轨迹冲突分析的事故检测，并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。

    Aug, 2022

  • 驾驶员异常检测：数据集与对比学习方法

    本文提出了一种对比学习方法，通过一套视频基准测试集 (DAD dataset) 实现区分正常驾驶与异常行为，进而解决驾驶人员相关事故问题。该方法在 DAD 数据集上取得了 0.9673 的 AUC，显示对比学习方法在异常检测任务中的高效性。

    Sep, 2020

  • 视觉推理与驾驶危险预测相遇：问题形式化及数据集

    本研究旨在通过借助汽车行车记录仪的单个图像，对驾驶中可能遇到的危险进行预测。为了开展这一不常研究的领域，我们创造了一个名为 DHPR 的数据集，其中包含 15K 个街景图像，每张图像都与车速、假设的危险描述和场景中的可见实体相关联。通过评估基线方法在数据集上的表现，我们发现仍存在问题，并讨论了未来的方向。本研究通过引入新的问题形式和数据集，为驾驶危险预测领域做出了贡献，让研究人员能够探索多模态人工智能在此领域的潜力。

    Oct, 2023