Apr, 2023

DeepSegmenter：用于检测未剪辑自然驾驶视频中异常的时间段定位

PDF
TL;DR本文提出了一种新的方法学框架 ——DeepSegmenter，该框架同时在单个框架中执行活动分割和分类，以识别驾驶员的异常驾驶行为，并在 2023 年 AI 城市挑战赛的实验验证数据中取得了 0.5426 的活动重叠得分，证明了该系统的有效性、高效性和稳健性。
driver behaviorunusual driving behaviorsdeepsegmenteractivity segmentationclassification
发现论文，激发创造
  • SigSegment：基于信号的分段算法，用于识别自然驾驶视频中异常驾驶行为

    本研究提出一种基于深度 CNN-LSTM 分类器的信号异常检测算法，利用驾驶员姿态、背景估计、信号活动峰值等来检测并分类异常驾驶事件，实验结果在 AI City Challenge 2023 竞赛公开排名中获第 9 名，重叠分数为 0.5424。

    Apr, 2023

  • 深度定位：利用变点检测进行时序动作定位

    我们介绍了 DeepLocalization，这是一个创新的框架，专门用于实时监测驾驶行为的定位。通过利用先进的深度学习方法，我们旨在解决分散注意力驾驶这一导致道路事故的严重问题。我们的策略采用了两个方法：利用基于图的变点检测来确定行为的时间点，以及使用视频大型语言模型 (Video-LLM) 来准确分类活动。通过精心的提示工程，我们定制了视频大型语言模型，以处理驾驶活动的微妙之处，确保在稀疏数据情况下的分类效果。我们的框架经过轻量级优化，能够在消费级 GPU 上应用广泛。我们在 SynDD2 数据集上对我们的方法进行了严格测试，这是一个评估分散驾驶行为的复杂基准，结果显示出显着的性能，事件分类准确率为 57.5%，事件检测准确率为 51%。这些结果突显了 DeepLocalization 在准确识别不同驾驶行为及其时间发生的潜力，同时适用于有限的计算资源。

    Apr, 2024

  • 追求时间准确性的通用活动检测

    本文提出了一种通用的框架，利用新颖的提案方案和级联分类管道从未修剪的视频中准确检测各种活动，超越了现有最先进方法在 THUMOS14 和 ActivityNet 数据集上的表现。

    Mar, 2017

  • 连续时间嵌入的无监督动作类别学习

    该研究提出了一种基于连续时间嵌入的无监督学习方法，通过鉴别视觉序列中课程的聚类段以实现发现非结构化视频中的动作。该方法被评估在三个数据集上，可以适用于未知情景下的视觉内容分析

    Apr, 2019

  • 从视频中无监督学习和分割复杂活动

    本文介绍了一种新的无监督视频分割方法，采用迭代鉴别生成方法，通过学习视频视觉特征并建模时序结构，将复杂活动划分为多个子活动，并引入背景模型，验证结果优于现有无监督及弱监督方法。

    Mar, 2018

  • 使用多阶段 CNN 在未修剪的视频中进行时间动作定位

    本研究提出了一种基于三种分段 3D 卷积神经网络的方法，用于解决未经修剪的长视频中的时间动作定位问题，其中提出网络用于识别可能包含动作的候选段，分类网络以一对多动作分类模型进行学习以作为定位网络的初始化，用于定位每个动作实例。

    Jan, 2016

  • 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

  • 司机活动识别的粗糙时间关注网络 (CTA-Net)

    提出了一种名为 Coarse Temporal Attention Network（CTA-Net）的模型来识别驾驶员的活动，该模型利用了时空注意力来建模细微变化，并使用注意机制来生成用于活动识别的高级动作特定背景信息。

    Jan, 2021

  • SFGANS 自监督的人体动作分割未来生成器

    通过自我监督方法生成原始特征向量的改进表示，提高了现有模型在行动分割的不同子任务上的性能。

    Dec, 2023

  • 基于无监督帧到片段对齐的置换感知动作分割

    本文提出了一种新颖的基于 Transformer 的框架，用于无监督活动分割，利用帧级别线索和段级别线索。我们的方法通过一个帧级别预测模块开始，该模块通过 Transformer 编码器估计逐帧动作类别。为了利用段级别信息，我们引入了一个段级别预测模块和一个帧到段对齐模块。

    May, 2023