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

本研究提出一个利用少量标记样本来训练目标识别模型的系统，结合卷积神经网络和随机森林来学习补丁分类器，并借助全卷积网络实现对于全图像的处理加速，并实现了交通标志识别和定位等方面的好表现。

Sep, 2017

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

通过深度学习和优化方法，本文探讨了从低分辨率、高遮挡和大透视的网络摄像头视频中理解交通密度的问题，并提出了两种方法：一种是基于排名约束回归的方法，另一种是基于全卷积网络的方法。在一个大规模的交通视频数据集上进行了广泛的评估和比较。其中全卷积网络的方法相对于现有的基线取得了显著的改善。收集和标记的大规模交通视频数据集可以解决现有数据集所面临的限制。

Mar, 2017

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

这篇研究论文提出了一种基于单摄像头图像的广范围伪 3D 车辆检测方法，包括图像拼接、特殊设计的检测头以及联合约束损失，通过捕捉车辆的形状和姿态信息实现高精度的车辆检测。实验结果表明，在多项评估指标上，该模型在广范围伪 3D 车辆检测上表现出色。

Sep, 2023

利用两种视频动作识别方法对高速公路情境中的自动驾驶变道识别进行了预测，研究结果表明这些方法在 1 到 2 秒的时间范围内预测周围车辆的未来车道变更具有潜在的预测能力。

Aug, 2020

该论文提出了一种在密集场景中进行实时异常检测和定位的方法，在该方法中，视频被定义为非重叠立方块的集合，并使用两个本地和全局描述符进行描述。我们利用简单和经济实惠的高斯分类器来区分正常活动和异常活动，并根据相邻块之间的结构相似性和无监督学习的特征来确定本地和全局特征。大量实验结果表明，该算法优于 UCSD ped2 和 UMN 基准的最新方法，而且具有更高的时间效率。我们的实验结果证明了我们的系统可以在视频中发生异常时可靠地检测和定位异常。

Nov, 2015

本文提出了一种利用 YOLOv8 单阶段对象检测模型和 few-shot 数据采样策略开发的鲁棒的实时头盔违规检测系统，实验结果表明该系统有效、高效、稳健，可以用于交通监控和执法。

Apr, 2023

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