本研究关注应用先进的技术方法提高交通事故的检测，通过引入一种创新的综合数据集来增强智能城市中的计算机视觉和动作识别系统，旨在填补现有研究的空白，提供用于交通事故检测的基准数据集，以推动学术研究并提升实时事故检测应用，从而实现更安全、更高效的智能城市环境的发展。

Jan, 2024

本文提出了 DeepAccident 数据集，据此可以直接评估不同自动驾驶算法的事故预测能力，这个数据集包含了多种真实世界中常见的事故场景，并提供了可用于感知和预测任务的多视角数据，并展示了基于 V2X 的运动和事故预测任务及 3D 物体检测的基准模型 V2XFormer。

Apr, 2023

介绍了 Honda Research Institute Driving Dataset（HDD），这是一个挑战性数据集，包括 104 小时的人类真实驾驶行为。同时还提出了一种新的注释方法来研究未剪辑数据序列中的驾驶行为，通过训练和测试基线算法，展示了所提出任务的可行性。

Nov, 2018

本文提出了一种新的动作预测方法，该方法基于多阶段 LSTM 网络并运用上下文感知和动作感知特征以及引入了一种新的损失函数，可以在视频序列仅有少量片段的情况下实现高准确度的预测，并在多个公开数据集上超过了先前最优的动作预测方法，相对提升了 22.0％（JHMDB-21），14.0％（UT-Interaction），和 49.9％（UCF-101）的准确率。

Mar, 2017

本研究介绍了用于事件相机的第一个非常大的检测数据集，包含超过 39 小时的汽车记录，涵盖城市，高速公路，郊区和乡村场景等多个不同的驾驶场景和各种天气和照明条件。该数据集的可用性将有助于事件感知视觉任务的主要进步，例如目标检测和分类，并期望在自监督学习方法等其他任务中获得好处。

Jan, 2020

针对自然语言与视觉任务融合的多个数据集和方法的持续爆炸性增长的问题研究，本篇综述将现有的行动识别方法按照它们如何概念化这个问题进行分类，并详细评述现有的数据集及其多样性、优缺点。 重点关注最近开发的数据集，它们将视觉信息与语言资源联系起来，并对图像中的动作进行细粒度的语法和语义分析。

Apr, 2017

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

本文提出了一种基于深度强化的交通事故预测方法 DRIVE，通过模拟仪表盘观察环境中的视觉注意机制和使用奖励机制改进强化学习算法来提高决策能力，进而实现较高准确性的预测。

Jul, 2021

通过大规模驾驶示范学习人类驾驶行为模型，提出基于概率规划的 VADv2 端到端驾驶模型，解决不确定性问题，在 CARLA Town05 基准测试中表现优异，在没有基于规则的封装的情况下稳定运行。

Feb, 2024

本论文衡量了自主驾驶和机器人等实际应用中关键领域的动作预测任务。为了更准确的预测未来的动作，提出利用未观察的帧的标志挖掘做出预测，利用 ImagineRNN 将动作预测分解为一系列未来功能预测，并通过代理任务和残差预测进一步改进模型。

Jan, 2021