Jun, 2024

FT-AED：早期高速公路交通异常事件检测基准数据集

PDF
TL;DR这篇论文介绍了一种大规模的高速公路交通数据集，用于异常检测，利用深度学习模型可以提高事故报告准确性和减少延迟。
anomalous eventsfreewayanomaly detectionlarge-scale datasetdeep learning models
发现论文，激发创造
  • 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

  • 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

  • 面向汽车的大规模基于事件的检测数据集

    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

  • 基于生成模型的时间序列异常检测

    本研究提出了一种基于数据驱动生成方法的交通拥堵异常检测框架，通过对多变量时间序列的分布进行学习，结合空间 - 时间信息进行聚类和核密度估计，能够在无监督和稀疏的环境下实现交通异常的检测和分类，并在合成数据集上得到了显著的性能提升。

    Jun, 2022

  • 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

  • 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

    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。

    Oct, 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

  • VegaEdge：实时高速公路物联网应用的边缘人工智能融合异常检测

    利用轨迹预测为基础的车辆异常检测方法 VegaEdge，通过不同摄像机视角识别偏离预期路径的车辆，适用于高速公路安全应用，同时提供了适用于交通异常的数据集 CAD。

    Nov, 2023

  • 基于多尺度残差特征的网络流量异常检测方法

    本研究提出了一种基于网络流量的多尺度残差特征的异常检测方法，利用滑动窗口将流量分成不同时间跨度的子序列，并使用小波变换技术将每个子序列分解和重构为不同级别的数据序列；使用栈式自编码器构建相似特征空间，并在相似特征空间中使用构建后的样本和输入样本的差异生成重构错误向量；通过轻量级分类器完成流量分类。实验结果证实，该方法对于异常网络流量的检测性能比传统方法有显著提高；长时间跨度和更多 S 变换尺度对于发现原始网络流量中的潜在多样性信息具有积极作用。

    May, 2022