Oct, 2023

MEDAVET: 基于车辆交通的空间和时间结构的交通车辆异常检测机制

PDF
TL;DR本篇论文通过计算机视觉建立车辆跟踪模型，用于检测高速公路上的交通异常，并提出了检测、跟踪和分析交通的步骤，具体包括从城市交通视频中检测车辆、使用双分图和凸包算法进行车辆跟踪，以及使用两种数据结构检测异常的起点和终点。实验结果显示该方法在 Track4 测试集上表现可接受，F1 分数为 85.7%，均方误差为 25.432。
发现论文，激发创造
  • 交通异常检测的良好实践和强基准线

    本研究通过预处理、动态跟踪模块和后处理等环节，提出了一种简单而高效的交通异常检测方案，该方案使用视频稳定、背景建模和车辆检测等技术，能够快速精准地识别出交通异常点，在 NVIDIA AI CITY 2021 排行榜中名列第一。

    May, 2021

  • 双模态车辆异常检测：基于双边轨迹追踪

    本文采用双模态模块化方法来检测异常车辆，并提出了一种包括背景建模、车辆跟踪检测、掩模构建、ROI 回溯和双模态跟踪的集成异常检测框架，该框架在自动驾驶领域的相应测试集上获得了较高的成功率。

    Jun, 2021

  • 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

  • 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

  • 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

  • Traffic-Net: 使用单个摄像头进行 3D 交通监控

    本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

    Sep, 2021

  • 系统评述：自动驾驶车辆中的异常检测

    这篇系统综述主要研究与连接和自动驾驶车辆相关的异常检测。研究发现，神经网络（如 LSTM，CNN 和自编码器）以及单类支持向量机是最常用的人工智能算法。大多数异常检测模型使用真实世界的车辆数据进行训练，但常常人为地向数据集中注入攻击和故障等异常情况。这些模型主要通过召回率、准确率、精确率、F1 分数和误报率等五个主要评估指标进行评估。此外，文章提出了几项建议，包括综合使用多个评估指标、公开分享模型以促进研究社区的合作和验证，并需要建立具有预定义异常或网络攻击的基准数据集来测试和改进提出的基于异常的检测模型的有效性。此外，对使用不同于 CAN 协议（如以太网和 FlexRay）的入侵检测系统的研究还缺乏。

    May, 2024

  • 利用功能工作组和传感器通道的车辆时间异常检测系统

    本文介绍了基于 Temporal Convolution Networks 的多阶段异常检测方法，使用 Vehicle Performance，Reliability 和 Operations (VePRO) 数据集，结合多个 FWG 的传感器来提供高达 96% 的检测精度和 91% 的准确预测。

    Sep, 2022

  • 自动驾驶中异常情况的混合视频异常检测

    自动驾驶中最具挑战性的情景是只能在其时间背景下检测到的情况。本文提出了 HF$^2$-VAD$_{AD}$，它是针对自动驾驶的 HF$^2$-VAD 监控视频异常检测方法的改进。我们从车辆自身的视角学习正常行为的表示，并在罕见和关键的情景中进行像素级异常检测。

    Jun, 2024

  • 交通视频中时间戳感知异常检测的挑战

    本文提出了一种三阶段管道模型，通过学习视频中的运动模式来检测视觉异常，并使用时间戳感知的异常检测算法将目标物体分类为异常，实验结果表明该方法能够有效检测交通路况视频中的时间戳感知异常。

    Jun, 2019