Apr, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • DeepSegmenter：用于检测未剪辑自然驾驶视频中异常的时间段定位

    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。

    Apr, 2023

  • 视频中的延迟感知道路异常分割：一个逼真的数据集和新的度量指标

    通过使用合成数据，我们提供了第一个用于自动驾驶的视频异常分割数据集，其中包含 7 个不同城镇记录的 120,000 帧高分辨率图像，我们还提供了最新的监督和无监督的道路异常分割方法的基准测试，并专注于两个新的度量标准：时间一致性和延迟感知的流式准确性。

    Jan, 2024

  • 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

  • 基于自监督学习框架和遮挡图像建模的新型驾驶员分神行为检测

    本文介绍了一种基于自监督学习的用于驾驶员分心检测的新方法，该方法使用遮罩图像建模进行自监督学习，并利用 Swin Transformer 作为编码器以增强性能，最终使用各种数据增广策略加上最佳的随机遮罩策略来加强模型的识别和泛化能力，测试结果表明，该方法的准确率为 99.60％，接近先进的监督学习方法的出色表现。

    Jun, 2023

  • 基于数据驱动的半监督机器学习与代理安全度量的异常驾驶行为检测

    利用 Hierarchical Extreme Learning Machines 和 Surrogate Safety Measures 开发了半监督机器学习方法，准确检测出鉴定的异常驾驶行为，通过广泛实验验证了该方法在各种指标上的有效性。

    Dec, 2023

  • 基于深度学习和决策树的交通异常检测视觉系统

    本文提出一种决策树驱动的深度学习方法，通过智能交通监测系统从交通摄像头中快速精确地提取异常事件并估计其起止时间，并通过实验验证取得了 F1 score：0.8571 和 S4 score：0.5686。

    Apr, 2021

  • 针对行车记录仪视频的异常检测

    本文提出了一种基于深度学习的异常检测方法，通过数据集 RetroTrucks 以及静态摄像头数据集对单类分类损失和重构损失的应用，以及对象交互建模，实现对车载摄像头录像中不同驾驶行为的检测和识别。

    Apr, 2020

  • 夜间驾驶行为预测基于卷积神经网络支持向量机分类器的尾灯信号识别

    通过识别人驾驶和自动驾驶车辆的尾灯，本文旨在提高夜间驾驶行为预测的能力。采用了一个定制探测器来准确检测道路上前方车辆的尾灯。利用卷积神经网络从这些区域提取出特征，然后利用主成分分析来降维。最后，使用支持向量机来预测车辆的行为。实验结果表明，该方法可以以 92.14% 的准确度、97.38% 的特异度、92.09% 的敏感度、92.10% 的 F1 度量和 0.895 的 Cohen's Kappa 统计量准确分类车辆行为。

    Oct, 2023

  • 交通视频异常检测的高效方法

    本文提出了一种高效的边缘设备上运行的视频异常检测系统，包括变化检测、背景建模和目标检测模块以及回溯异常检测算法，同时还提出了一种顺序变化检测算法。实验结果表明，该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。

    Apr, 2021

  • 通过循环图注意力网络检测社交不规范的公路驾驶行为

    本研究提出了基于自编码器和循环图注意力网络的异常驾驶行为检测方法，可以检测到在各种车辆交互和时空变化下，与周围车辆有所偏差的异常现象，其效果在仿真和实际交通数据上都获得了最佳表现。

    Apr, 2023