贾特人gydF4y2Ba 《先进的交通工具gydF4y2Ba 2042 - 3195gydF4y2Ba 0197 - 6729gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/8848874gydF4y2Ba 8848874gydF4y2Ba 研究文章gydF4y2Ba 新的视频崩溃检测方法:平衡速度和准确性使用功能融合深度学习框架gydF4y2Ba 陆gydF4y2Ba ZhenbogydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0001 - 9965 - 0537gydF4y2Ba 周gydF4y2Ba 魏gydF4y2Ba 1gydF4y2Ba 张gydF4y2Ba ShixianggydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0003 - 4573 - 9047gydF4y2Ba 王gydF4y2Ba 陈gydF4y2Ba 1gydF4y2Ba 王gydF4y2Ba 库恩gydF4y2Ba 1gydF4y2Ba 智能交通研究中心gydF4y2Ba 东南大学gydF4y2Ba 南京gydF4y2Ba 中国gydF4y2Ba seu.edu.bdgydF4y2Ba 2gydF4y2Ba 中国设计集团有限公司。gydF4y2Ba 南京gydF4y2Ba 中国gydF4y2Ba 2020年gydF4y2Ba 16gydF4y2Ba 11gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 15gydF4y2Ba 8gydF4y2Ba 2020年gydF4y2Ba 28gydF4y2Ba 9gydF4y2Ba 2020年gydF4y2Ba 24gydF4y2Ba 10gydF4y2Ba 2020年gydF4y2Ba 16gydF4y2Ba 11gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020陆Zhenbo et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

快速和精确的碰撞检测对拯救生命和改善交通事件管理很重要。在这篇文章中,一个功能fusion-based深度学习框架开发视频城市交通事故检测任务,旨在实现之间的平衡检测速度和精度有限的计算资源。在这个框架中,残余神经网络(ResNet)结合关注模块提出了从城市交通视频中提取车祸外观特性(即。,a crash appearance feature extractor), which were further fed to a spatiotemporal feature fusion model, Conv-LSTM (Convolutional Long Short-Term Memory), to simultaneously capture appearance (static) and motion (dynamic) crash features. The proposed model was trained by a set of video clips covering 330 crash and 342 noncrash events. In general, the proposed model achieved an accuracy of 87.78% on the testing dataset and an acceptable detection speed (FPS > 30 with GTX 1060). Thanks to the attention module, the proposed model can capture the localized appearance features (e.g., vehicle damage and pedestrian fallen-off) of crashes better than conventional convolutional neural networks. The Conv-LSTM module outperformed conventional LSTM in terms of capturing motion features of crashes, such as the roadway congestion and pedestrians gathering after crashes. Compared to traditional motion-based crash detection model, the proposed model achieved higher detection accuracy. Moreover, it could detect crashes much faster than other feature fusion-based models (e.g., C3D). The results show that the proposed model is a promising video-based urban traffic crash detection algorithm that could be used in practice in the future.

 中国国家自然科学基金gydF4y2Ba 71971061gydF4y2Ba 中国国家重点研发项目gydF4y2Ba 2018年yfe0102700gydF4y2Ba 江苏省交通科学研究项目gydF4y2Ba 2019年z02gydF4y2Ba 1。介绍gydF4y2Ba

交通事故会导致财产损失,受伤,死亡,不再发生的拥挤。准确和快速的碰撞检测可以帮助改善事件管理的响应速度,从而减少伤害/死亡和交通堵塞引起的事故发生。因此,开发这样的碰撞检测方法是必要的和重要的交通事件管理。gydF4y2Ba

传统的事故/事件检测方法主要是依靠交通流建模技术(gydF4y2Ba 1gydF4y2Ba- - - - - -gydF4y2Ba 7gydF4y2Ba]。交通流建模的基本思想是确定不再发生的拥堵,基于循环的数据探测器、微波和调查。然而,不再发生的拥堵和复发性交通拥堵可以很难分化没有足够的历史数据和声音。因此,交通流建模方法的性能严重依赖于从交通检测器获得的数据质量。此外,它可以经常失败当交通环境太复杂(例如,多模式交通在城市区域)。因此,检测精度的方法有时是没有保证的。另一个新兴的方法是基于众包数据来确定事件(gydF4y2Ba 8gydF4y2Ba]。然而,这样的方法也可能遭受漏报问题当没有在事故现场见证。如今,随着智能交通系统(ITS)的发展,摄像头被广泛安装在许多城市和高速公路。由于广泛的覆盖面,建立碰撞检测技术已经得到了越来越多的研究关注近年来(gydF4y2Ba 9gydF4y2Ba]。他们的基本概念是自动识别事故场景基于交通图像/视频的特点,通过计算机视觉技术。等技术,一种很有前途的聪明的碰撞检测方法,将极大地减少人类劳动,取得了较高的检测精度gydF4y2Ba 10gydF4y2Ba- - - - - -gydF4y2Ba 12gydF4y2Ba]。gydF4y2Ba

视频崩溃,确保检测精度,检测方法需要能够从交通图像/视频中提取重要的碰撞特性。一般来说,主要有两种类型的感兴趣的特性:运动(时间)特性和外观(空间)的特性。外观特性包括明显的车辆损坏,车辆翻车事故,行人掉落。运动功能需要不断发现,包括十字路口车辆轨迹和行人的聚会。从这个角度看,当前的碰撞检测方法可分为两类:基于功能的方法和运动特性fusion-based方法。gydF4y2Ba

许多研究工作都是基于运动特性,如车辆轨迹的交点,边界框的重叠探测器,和车辆的速度变化。一些使用背景减法的方法来提取车辆的运动特性(加速度、方向和速度),根据一定的规则和阈值应用到识别崩溃gydF4y2Ba 9gydF4y2Ba,gydF4y2Ba 13gydF4y2Ba- - - - - -gydF4y2Ba 15gydF4y2Ba]。Maalou et al。gydF4y2Ba 16gydF4y2Ba)基于光流跟踪车辆的运动方法和启发式方法来找到一个阈值用于识别。Sadeky et al。gydF4y2Ba 17gydF4y2Ba利用流梯度直方图(HFG)从noncrash运动特性和歧视崩盘,基于逻辑回归。陈等人。gydF4y2Ba 18gydF4y2Ba)开发了一个极端学习机(ELM)碰撞识别、基于运动特性由尺度不变特征变换(筛选)和光学流。近年来,随着深度的发展学习方法(例如,更快R-CNN(快提出CNN) [gydF4y2Ba 19gydF4y2Ba有人知道由罗(你只看一次)[]和gydF4y2Ba 20.gydF4y2Ba- - - - - -gydF4y2Ba 22gydF4y2Ba]),车辆检测和跟踪的性能明显改善。韦森特和萨gydF4y2Ba 23gydF4y2Ba]YOLO模型意思用来检测运动特征和支持向量机(SVM)用于识别。李和胫骨(gydF4y2Ba 24gydF4y2Ba)快R-CNN用于车辆检测和简单的在线和实时跟踪(排序)车辆跟踪。基于这些运动的特性,这一事件/事故在隧道被检测到。保罗(gydF4y2Ba 25gydF4y2Ba)应用面具R-CNN(面具提出CNN)运动特征提取和使用规则碰撞检测。运动特征模型仅依赖于车辆的运动。这需要一个高精度的对象检测和跟踪。当交通环境复杂、车辆检测和跟踪性能可能会降低,导致低碰撞检测的性能。此外,一些崩溃可能不是只发现基于动作,如车辆翻转和行人掉落。gydF4y2Ba

最近,fusion-based特性(即。,appearance and motion) crash detection methods have become increasingly popular. There are two types. One is based on unsupervised learning methods. For instance, Singh and Mohan [ 26gydF4y2Ba和姚gydF4y2Ba 27gydF4y2Ba)开发了一个基于autoencoder碰撞检测模型的方法。另一种类型是基于监督学习框架,通常结合了一个模块(例如,卷积神经网络)空间特征提取和一个模块(例如,递归神经网络)时态特征提取。Batanina et al。gydF4y2Ba 28gydF4y2Ba)使用卷积3 d (C3D)模型来捕获两个时空特性从模拟视频崩溃崩溃。然后,域适应(DA)转移学习应用于现实世界的条件。精度提高了10%。黄等。gydF4y2Ba 29日gydF4y2Ba)采用二束网络分别提取外观特征和运动特征,然后进一步结合检测崩溃。根据以前的文献,可以提高碰撞检测的性能特征融合方法。gydF4y2Ba

虽然功能fusion-based方法取得了更好的性能比运动特点,一些改进还可以。同时捕获运动和外观特性,这种模式通常有复杂的结构和大量的参数。因此,这些模型需要大量的计算资源和计算时间长,防止他们被用于实时交通环境。因此,当前fusion-based模型需要找到一个更好的检测精度和速度之间的平衡。gydF4y2Ba

来填补这一缺口,我们提出了一个新功能fusion-based城市交通事故检测框架,旨在实现一个好的检测精度和速度之间的平衡。首先,我们关注模块引入残余神经网络来提高性能的检测本地外观特性。与此同时,我们与Conv-LSTM ResNet模型同时捕捉崩溃的外观和运动特性。该模型预计将实现精度高以及碰撞检测的检测速度快。本文的其余部分组织如下:部分gydF4y2Ba 2gydF4y2Ba介绍了本研究中使用的方法。部分gydF4y2Ba 3gydF4y2Ba讨论了数据准备。部分gydF4y2Ba 4gydF4y2Ba提出建模结果和讨论研究结果。部分gydF4y2Ba 5gydF4y2Ba提供了研究结论和未来的发展方向。gydF4y2Ba

 2。方法gydF4y2Ba

在本节中,我们详细介绍一下我们提出的模型。图gydF4y2Ba 1gydF4y2Ba显示了我们的总体框架模型。首先,注意模块结合ResNet捕捉崩溃的外观特征图像。ResNet可以提高传统卷积神经网络的速度,同时注意模块可以使模型关注局部外观特性而不是其他无关信息,进一步提高模型。然后,地图的输出特性是通过减少维度gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba 卷积的层,然后按照时间顺序输入Conv-LSTM网络崩溃的进一步提取运动特征。Conv-LSTM优于传统的递归神经网络(例如,LSTM)的轻和保留空间信息。最后,全球池层和一个完全连接层被用来检测碰撞(或noncrash)。下面是剩余的详细描述网络ResNet,关注模块,和Conv-LSTM模块框架。gydF4y2Ba

提出了碰撞检测模型框架。gydF4y2Ba

 2.1。崩溃外观功能模块(ResNet +关注)gydF4y2Ba 2.1.1。残余神经网络(ResNet)gydF4y2Ba

神经网络(即残留。,ResNet) was proposed in 2015 [ 30.gydF4y2Ba),已广泛应用于各种基于深入学习计算机视觉任务提取图像特征。ResNet解决问题的培训的目的梯度爆炸造成的困难或消失在深卷积神经网络。相对于其他传统神经网络(例如,VGG(视觉几何组网络))不断叠加卷积层获得更高的图像表达功能,ResNet栈灵活剩余模块获得更强的表达能力。gydF4y2Ba

有两种主要类型的剩余模块。第一个类型(图gydF4y2Ba 2(一个)gydF4y2Ba)经常出现在浅残余网络(ResNet 18/34)。每个剩余模块包括两个gydF4y2Ba 3gydF4y2Ba ×gydF4y2Ba 3gydF4y2Ba 曲线玲珑,输出是输入的总和(即。,the output from the last residual module) and its convolution. The ReLU activation function is used to obtain the output of the current residual module, as shown in the following equation: (1)gydF4y2Ba 输出gydF4y2Ba =gydF4y2Ba 线性整流函数（Rectified Linear Unit）gydF4y2Ba 输入gydF4y2Ba +gydF4y2Ba WgydF4y2Ba 2gydF4y2Ba 线性整流函数（Rectified Linear Unit）gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba 输入gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba 是gydF4y2Ba 3gydF4y2Ba ×gydF4y2Ba 3gydF4y2Ba 卷积操作和gydF4y2Ba 我gydF4y2Ba是一层指数。gydF4y2Ba

残余神经网络的基本组件。(一)ResNet 18/34。(b) ResNet 50/101/152。gydF4y2Ba

第二种类型(图gydF4y2Ba 2 (b)gydF4y2Ba常常出现在更深的残余网络(ResNet50/101/152)。每个剩余模块包括三个卷积层(gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 3gydF4y2Ba ×gydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba ),输出是输入的总和(即。,the output from the last residual module) and its convolution. (2)gydF4y2Ba 输出gydF4y2Ba =gydF4y2Ba 线性整流函数（Rectified Linear Unit）gydF4y2Ba 输入gydF4y2Ba +gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba 线性整流函数（Rectified Linear Unit）gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba 线性整流函数（Rectified Linear Unit）gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba 输入gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 是gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba 卷积操作。gydF4y2Ba

因为这种残余网络结构可以弥补造成的不稳定的训练深层结构(gydF4y2Ba 30.gydF4y2Ba),它可以处理比VGG更深的网络层。三种典型ResNets 50层(ResNet-50), 101层(resnet - 101)和152层(resnet - 152)。它们在结构上是相似的。ResNet的选择取决于计算能力和训练数据量。更深层次的网络可以更强大的足够的训练数据。gydF4y2Ba

 2.1.2。视觉注意力模块gydF4y2Ba

在本文中,我们进一步扩展ResNet通过整合视觉注意力模块。视觉注意力模块squeeze-and-excitation (SE)块首次提出了胡锦涛et al。(gydF4y2Ba 31日gydF4y2Ba]。这个模块已经被广泛使用,因为它是相对简单的,能够改善许多卷积网络模型的效率。SE块属于频道关注机制,赋予不同的权重不同渠道的功能映射。众所周知,在卷积神经网络,不同的渠道对应不同的特征提取。不同的分类任务应该特别强调不同的特征选择。这个概念类似于人类识别对象的方式。例如,人们可能会更加注重形状特征判断猫和狗的时候,虽然他们可能会专注于纹理特性包时捷豹和豹(属于猫科)。因此,SE块提高卷积神经网络的特征选择的能力。gydF4y2Ba

如图gydF4y2Ba 3gydF4y2Ba,SE块转换输入gydF4y2Ba XgydF4y2Ba,gydF4y2Ba XgydF4y2Ba ∈gydF4y2Ba ℝgydF4y2Ba HgydF4y2Ba ×gydF4y2Ba WgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba 你,gydF4y2Ba UgydF4y2Ba ∈gydF4y2Ba ℝgydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba CgydF4y2Ba 通过全球平均池操作gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 问gydF4y2Ba ,见以下方程:gydF4y2Ba (3)gydF4y2Ba UgydF4y2Ba =gydF4y2Ba FgydF4y2Ba 平方gydF4y2Ba XgydF4y2Ba 。gydF4y2Ba

SE块。gydF4y2Ba

为gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba ℝgydF4y2Ba HgydF4y2Ba ×gydF4y2Ba WgydF4y2Ba 在输入张量gydF4y2Ba XgydF4y2Ba =gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba CgydF4y2Ba 和gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba ℝgydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba 产出,张量gydF4y2Ba UgydF4y2Ba =gydF4y2Ba UgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba UgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba UgydF4y2Ba CgydF4y2Ba ,下面的方程。gydF4y2Ba (4)gydF4y2Ba UgydF4y2Ba CgydF4y2Ba =gydF4y2Ba FgydF4y2Ba 平方gydF4y2Ba XgydF4y2Ba CgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba HgydF4y2Ba ×gydF4y2Ba WgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba HgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba WgydF4y2Ba XgydF4y2Ba CgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

全球平均池后,输出U是通过一个完全连接层的重量gydF4y2Ba WgydF4y2Ba ,gydF4y2Ba WgydF4y2Ba ∈gydF4y2Ba ℝgydF4y2Ba CgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba ,也就是说,gydF4y2Ba FgydF4y2Ba 前女友gydF4y2Ba ⋅gydF4y2Ba ,gydF4y2Ba WgydF4y2Ba 在图gydF4y2Ba 3gydF4y2Ba,结果gydF4y2Ba VgydF4y2Ba如方程所示(gydF4y2Ba 5gydF4y2Ba),“gydF4y2Ba ∗gydF4y2Ba ”是指矩阵乘法。gydF4y2Ba (5)gydF4y2Ba VgydF4y2Ba =gydF4y2Ba FgydF4y2Ba 前女友gydF4y2Ba UgydF4y2Ba ,gydF4y2Ba VgydF4y2Ba =gydF4y2Ba σgydF4y2Ba UgydF4y2Ba ∗gydF4y2Ba VgydF4y2Ba 。gydF4y2Ba

上面的是激活函数,和结果gydF4y2Ba VgydF4y2Ba也被称为注意体重。最后,把注意体重gydF4y2Ba VgydF4y2Ba和输入gydF4y2Ba XgydF4y2Ba通道的重量调整输入的不同渠道的重要性(方程(gydF4y2Ba 6gydF4y2Ba))。这里的“gydF4y2Ba ∘gydF4y2Ba ”是指element-wise乘法(即。阿达玛产品):gydF4y2Ba (6)gydF4y2Ba YgydF4y2Ba =gydF4y2Ba FgydF4y2Ba 规模gydF4y2Ba XgydF4y2Ba ,gydF4y2Ba VgydF4y2Ba =gydF4y2Ba XgydF4y2Ba ∘gydF4y2Ba VgydF4y2Ba 。gydF4y2Ba

一种改进的视觉注意力模块/ SE是称为卷积块关注模块(CBAM),由古普塔(首次提出gydF4y2Ba 32gydF4y2Ba]。基于基本的通道(即视觉注意力模块。,年代E), CBAM innovatively introduces the spatial visual attention module, as shown in Figure 4gydF4y2Ba。不同的基本模块,空间视觉注意力最初执行最大池和平均池操作模块gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba _gydF4y2Ba 平方gydF4y2Ba ⋅gydF4y2Ba 在输入gydF4y2Ba XgydF4y2Ba 年代gydF4y2Ba 通过通道,然后将两层特性映射到地图通过单层特征gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba 卷积层的重量W,如图所示gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba _gydF4y2Ba 前女友gydF4y2Ba ⋅gydF4y2Ba ,gydF4y2Ba WgydF4y2Ba 在图gydF4y2Ba 4gydF4y2Ba。最后,softmax用于转换原分布概率分布和调整模型的重要性不同空间位置的输入gydF4y2Ba XgydF4y2Ba 年代gydF4y2Ba 。这个过程可以表达的三个以下方程:gydF4y2Ba (7)gydF4y2Ba UgydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba _gydF4y2Ba 平方gydF4y2Ba XgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba (8)gydF4y2Ba VgydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba _gydF4y2Ba 前女友gydF4y2Ba UgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba WgydF4y2Ba =gydF4y2Ba 软gydF4y2Ba 马克斯gydF4y2Ba UgydF4y2Ba 年代gydF4y2Ba ∗gydF4y2Ba WgydF4y2Ba ,gydF4y2Ba (9)gydF4y2Ba YgydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba FgydF4y2Ba 规模gydF4y2Ba XgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba VgydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba XgydF4y2Ba 年代gydF4y2Ba ∘gydF4y2Ba VgydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba

CBAM模块。gydF4y2Ba

CBAM模块可以嵌入到剩余模块来改善其特征选择性能。图gydF4y2Ba 5gydF4y2Ba显示了两个模块集成。gydF4y2Ba

CBAM模块的位置残差模型。gydF4y2Ba

 2.2。特征融合模块(Conv-LSTM)gydF4y2Ba

第一次用于降水短时预测[Conv-LSTM模块gydF4y2Ba 33gydF4y2Ba),在图所示的结构gydF4y2Ba 6gydF4y2Ba。传统LSTM输入需要数据压扁,这常常导致空间信息丧失。Conv-LSTM模块继承了闸门结构采用传统的LSTM,尽管它使用卷积神经元作为基本单位保留空间特性。数据建模过程如下。gydF4y2Ba

Conv-LSTM模型。gydF4y2Ba

首先,输入gydF4y2Ba χgydF4y2Ba tgydF4y2Ba 和gydF4y2Ba HgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 沿着通道尺寸堆放产生吗gydF4y2Ba χgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba HgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ;然后一维卷积gydF4y2Ba FgydF4y2Ba ⋅gydF4y2Ba ;gydF4y2Ba WgydF4y2Ba χgydF4y2Ba ,gydF4y2Ba WgydF4y2Ba HgydF4y2Ba 执行卷积操作gydF4y2Ba χgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba HgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba :gydF4y2Ba (10)gydF4y2Ba YgydF4y2Ba fgydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba ggydF4y2Ba ,gydF4y2Ba YgydF4y2Ba ogydF4y2Ba =gydF4y2Ba FgydF4y2Ba χgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba HgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ;gydF4y2Ba WgydF4y2Ba χgydF4y2Ba ,gydF4y2Ba WgydF4y2Ba HgydF4y2Ba 。gydF4y2Ba

然后,获得gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba ggydF4y2Ba tgydF4y2Ba ,gydF4y2Ba ogydF4y2Ba tgydF4y2Ba 通过使用激活函数gydF4y2Ba YgydF4y2Ba fgydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba ggydF4y2Ba ,gydF4y2Ba YgydF4y2Ba ogydF4y2Ba ,见以下方程:gydF4y2Ba (11)gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba ggydF4y2Ba tgydF4y2Ba ,gydF4y2Ba ogydF4y2Ba tgydF4y2Ba =gydF4y2Ba 软gydF4y2Ba 马克斯gydF4y2Ba YgydF4y2Ba fgydF4y2Ba ,gydF4y2Ba 软gydF4y2Ba 马克斯gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 软gydF4y2Ba 马克斯gydF4y2Ba YgydF4y2Ba ggydF4y2Ba ,gydF4y2Ba 软gydF4y2Ba 马克斯gydF4y2Ba YgydF4y2Ba OgydF4y2Ba 。gydF4y2Ba

最后,输出gydF4y2Ba CgydF4y2Ba tgydF4y2Ba 和gydF4y2Ba HgydF4y2Ba tgydF4y2Ba 当时Conv-LSTM模块的步骤gydF4y2Ba tgydF4y2Ba是通过控制操作,如下所示的两个方程:gydF4y2Ba (12)gydF4y2Ba CgydF4y2Ba tgydF4y2Ba =gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba CgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba ggydF4y2Ba tgydF4y2Ba ,gydF4y2Ba (13)gydF4y2Ba HgydF4y2Ba tgydF4y2Ba =gydF4y2Ba ogydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba CgydF4y2Ba tgydF4y2Ba =gydF4y2Ba ogydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba CgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba ggydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

3所示。数据准备gydF4y2Ba

我们所知,没有公共数据库崩溃检测任务。因此,在这项研究中,从当地警方获得的所有数据都在中国。我们准备了两个数据集。第一集是一个城市的城市交通图像数据集,其中包含5061交通事故图片和5573 noncrash交通图像。车祸图片包括多种类型,如单车,multivehicle, non-motorist-related崩溃。图gydF4y2Ba 7gydF4y2Ba显示了一些示例。另一个数据集是一个城市监控录像数据集,其中包含420年崩盘视频剪辑和432 noncrash视频剪辑。每个视频的时间大约是20秒,24/25帧每秒。gydF4y2Ba

交通图像数据集。gydF4y2Ba

第一图像数据集被用来训练ResNet +关注模块,而视频数据集被用来训练整个网络。通过转移pretrained ResNet模块,可以提高整个网络的收敛速度。注意,图片/视频剪辑与崩溃或noncrash手动标记。因此,能力的训练模型预计将确定事故中正常的交通场景。gydF4y2Ba

 4所示。结果与讨论gydF4y2Ba

本研究实验都进行笔记本电脑配备Nvidia GPU GTX 1060。一些笔记本电脑的详细参数如下:(1)i7 - 7700总部@2.80 GHZ CPU和GPU (2) GTX 1060(6克),核心频率:1506 - 1709 - mh TFLOPs和浮点操作:4.4。gydF4y2Ba

首先,一组深度学习模型比较区分事故图片(正面)从noncrash图像(负面),目的在于找到一个最好的崩溃外观功能模块,这是进一步与Conv-LSTM有关。VGG-16和ResNet-50用作基线模型。四个扩展模型是由将SE和CBAM模块纳入VGG ResNet。训练数据集包括3861年股市崩盘和4373年noncrash图像,而测试数据集包括1200张图片为每个类别。表gydF4y2Ba 1gydF4y2Ba显示了这些模型的表现(即。,crash appearance feature extraction models) in the test dataset. Compared to VGG-16 and ResNet-50, extended models with attention modules generally had higher detection accuracy. Among those, the ResNet-50 + CBAM model achieved the highest accuracy of 90.17%. Figure 8gydF4y2Ba显示了测试精度对每个培训时代对于那些崩溃出现提取模型。gydF4y2Ba

崩溃外观特征提取器的性能。gydF4y2Ba

模型名称gydF4y2Ba 真阳性(TP)gydF4y2Ba 假阴性(FN)gydF4y2Ba 假阳性(FP)gydF4y2Ba 真阴性(TN)gydF4y2Ba 精度(%)gydF4y2Ba
VGG-16gydF4y2Ba 1056年gydF4y2Ba 144年gydF4y2Ba 273年gydF4y2Ba 927年gydF4y2Ba 82.63gydF4y2Ba
ResNet-50gydF4y2Ba 1087年gydF4y2Ba 113年gydF4y2Ba 233年gydF4y2Ba 967年gydF4y2Ba 85.58gydF4y2Ba
VGG-16 + SEgydF4y2Ba 1075年gydF4y2Ba 125年gydF4y2Ba 251年gydF4y2Ba 949年gydF4y2Ba 84.33gydF4y2Ba
VGG-16-CBAMgydF4y2Ba 1103年gydF4y2Ba 97年gydF4y2Ba 231年gydF4y2Ba 969年gydF4y2Ba 86.33gydF4y2Ba
ResNet-50 + SEgydF4y2Ba 1132年gydF4y2Ba 68年gydF4y2Ba 214年gydF4y2Ba 986年gydF4y2Ba 88.25gydF4y2Ba
ResNet-50——+ CBAMgydF4y2Ba 1135年gydF4y2Ba 65年gydF4y2Ba 171年gydF4y2Ba 1029年gydF4y2Ba 90.17gydF4y2Ba

测试精度对每个培训时代崩溃出现提取器。gydF4y2Ba

它也可以发现,所有模型假阳性(FP)情况下多假阴性(FN)病例。这表明这些模型往往决定noncrash交通场景崩溃。一些交通状况(例如,停止车辆和重型拥挤有许多重叠的行人、车辆)可能崩溃的场景非常相似的外观特性。因此,模型仅仅基于外观特性不能识别这些条件。gydF4y2Ba

我们进一步激活显示这些模型基于gradient-weighted类映射(Grad-CAM)技术(gydF4y2Ba 34gydF4y2Ba),如图gydF4y2Ba 9gydF4y2Ba。ResNet似乎比VGG而言,专注于崩溃的外观特征。例如,VGG未能确定事故的外观特征gydF4y2Ba DgydF4y2Ba,而ResNet正确地识别它们。当添加关注模块,扩展模型(ResNet 50 + SE / CBAM)能更好的关注外观特性。例如,CBAM ResNet的性能改善识别人崩溃C下降的位置。gydF4y2Ba

崩溃的外表特征提取可视化。gydF4y2Ba

然后,使用ResNet50 + CBAM pretrained模型,我们进一步训练整个模型与330年崩盘视频剪辑和342 noncrash视频剪辑。90年视频和测试数据集包括90崩盘noncrash视频。检验该模型的性能,六个模型进行了比较。模型1确定事故根据速度变化的数量或异常轨迹提取的速度R-CNN +排序。模型2确定事故的数量取决于检测到碰撞帧的视频剪辑。模型3 - 6利用Resnet-50 + CBAM / SE提取外观特性,当他们使用LSTM / Conv-LSTM模型从视频中提取运动特征。表gydF4y2Ba 2gydF4y2Ba显示六个候选人的性能模型。gydF4y2Ba

碰撞检测模型对测试集的表演。gydF4y2Ba

不。gydF4y2Ba 模型gydF4y2Ba 真阳性(TP)gydF4y2Ba 假阴性(FN)gydF4y2Ba 假阳性(FP)gydF4y2Ba 真阴性(TN)gydF4y2Ba 精度(%)gydF4y2Ba 帧/秒gydF4y2Ba
1gydF4y2Ba 快R-CNN + +排序规则(gydF4y2Ba 24gydF4y2Ba]gydF4y2Ba 58gydF4y2Ba 32gydF4y2Ba 18gydF4y2Ba 72年gydF4y2Ba 72.22gydF4y2Ba 0.73gydF4y2Ba
2gydF4y2Ba ResNet-50 + CBAM +规则gydF4y2Ba 69年gydF4y2Ba 21gydF4y2Ba 12gydF4y2Ba 78年gydF4y2Ba 81.67gydF4y2Ba 50gydF4y2Ba
3gydF4y2Ba ResNet-50 + CBAM + LSTMgydF4y2Ba 70年gydF4y2Ba 20.gydF4y2Ba 12gydF4y2Ba 78年gydF4y2Ba 82.22gydF4y2Ba 27gydF4y2Ba
4gydF4y2Ba ResNet-50 + SE + Conv-LSTMgydF4y2Ba 74年gydF4y2Ba 16gydF4y2Ba 12gydF4y2Ba 78年gydF4y2Ba 84.44gydF4y2Ba 35gydF4y2Ba
5gydF4y2Ba ResNet-50 + CBAM + Conv-LSTMgydF4y2Ba 78年gydF4y2Ba 12gydF4y2Ba 11gydF4y2Ba 79年gydF4y2Ba 87.22gydF4y2Ba 33gydF4y2Ba
6gydF4y2Ba ResNet-50 + CBAM + Bi-Conv-LSTMgydF4y2Ba 79年gydF4y2Ba 11gydF4y2Ba 11gydF4y2Ba 79年gydF4y2Ba 87.78gydF4y2Ba 30.gydF4y2Ba

结果表明,模型1最低检测精度和速度相对于其他模型。一般来说,这个模型有良好的性能检测multivehicle崩溃。然而,它在很大程度上未能发现vehicle-pedestrian崩溃和单车事故。原因可能是这样的模型只能识别碰撞运动(如车辆轨迹的交点,异常行为的非机动车gydF4y2Ba 35gydF4y2Ba,gydF4y2Ba 36gydF4y2Ba)而不是崩溃的外观(例如,倒下的人,车辆翻转,车辆损坏,等等)。图gydF4y2Ba 10gydF4y2Ba显示了一些崩溃场景检测到错误的模型1。gydF4y2Ba

假阴性模型1的例子。gydF4y2Ba

模型1相比,功能fusion-based模型在检测精度有更好的性能。在功能fusion-based模型,基于规则的模型(模型2)和LSTM模型(即。,models 3 and 6) had lower detection accuracy than the Conv-LSTM models (models 4 and 5). The basic idea of the rule-based model is to determine a crash based on the number of detected crash frames of a video clip. Based on experiments, a highest accuracy can be achieved when the threshold is set to 10 (i.e., 10 frames). Since such method requires no sequential information, it may not well identify crash motion features (the FN rate is high). LSTM models require the flattened layout of appearance feature maps, which could lose spatial information. Conv-LSTM can simultaneously detect both motion features and appearance features, while retaining their original information considerably (FN decreases compared to rule-based models).

关于检测速度,提出了基于运动模型框架大大优于深度学习模型。为了得到运动对象的检测精度高,动态的模型通常需要强大的深度学习模型的车辆检测和跟踪。一般来说,Conv-LSTM达到最高的检测精度与可接受的检测速度(30 FPS >)。gydF4y2Ba

此外,fusion-based模型(也就是一个典型的特征。相比,C3D模型)也(也就是我们最好的模型。、模型6)。如表所示gydF4y2Ba 3gydF4y2Ba,发生C3D模型过度拟合问题,训练精度99.89%,67.22%的测试精度。原因是C3D模型具有更多参数(10倍以上)比我们提出的模型。由于数据集是有限的,很容易overfitted模型。关于计算负载和检测速度,该模型也比C3D模型的失败(浮点操作)和FPS。gydF4y2Ba

模型6与C3D模型在检测精度和速度。gydF4y2Ba

模型gydF4y2Ba 训练精度(%)gydF4y2Ba 测试精度(%)gydF4y2Ba 参数(MB)gydF4y2Ba 失败/ /视频(B)gydF4y2Ba 帧/秒gydF4y2Ba
C3D [gydF4y2Ba 30.gydF4y2Ba]gydF4y2Ba 99.89gydF4y2Ba 67.22gydF4y2Ba 249.99gydF4y2Ba 574.36gydF4y2Ba 14gydF4y2Ba
模型6gydF4y2Ba 96.58gydF4y2Ba 87.78gydF4y2Ba 24.22gydF4y2Ba 265.26gydF4y2Ba 30.gydF4y2Ba

值得注意的是,最好的Conv-LSTM(即。,model 6) models still have some false-positive cases. Some noncrash scenes (congestions) cannot be well identified by the model, as shown in Figure 11gydF4y2Ba。这可能是由于样本容量有限。另一个原因可能是,该模型倾向于关注图像(感谢关注模块)的一部分,而忽略了对整个交通场景的理解。gydF4y2Ba

假阳性的例子模型6(最好的模型)。gydF4y2Ba

至于misdetection(即。,FN), some typical cases were discussed here (Figure 12gydF4y2Ba)。第一次撞击彼此是两辆车相撞,导致爆炸。当它发生,火迅速覆盖整个交通场景。这样的情况是非常罕见的在我们当前的数据集,所以训练模式不能识别外观特征。第二至第五事故都发生在拥挤的或复杂的交通环境。在这样的环境中,碰撞特性被封锁或很难被识别,尤其是当原始图像质量不高。gydF4y2Ba

假阴性模型6(最好的模型)的例子。gydF4y2Ba

 5。结论gydF4y2Ba

检测事故及时、准确地对交通事件管理很重要。以前的视频碰撞检测模型遭受低检测精度(例如,一些基于运动模型)或高计算成本(如大型特性fusion-based模型)。来填补这一缺口,在本文中,我们提出了一个新功能fusion-based深学习模型框架的目的之间实现平衡城市交通事故的准确度和速度的检测。为此,ResNet与关注模块开发捕捉崩溃的外观特征图像。ResNet更快的速度比传统的卷积神经网络,同时注意模块使ResNet关注局部外观功能以外的其他无关信息,进一步提高模型的速度。Conv-LSTM引入链接ResNet同时捕获外观和运动特性。相比传统的递归神经网络(例如,LSTM) Conv-LSTM可以保留大部分的空间信息和相对较少的参数。gydF4y2Ba

根据模拟结果,注意模块的ResNet可以提高检测的性能局部崩溃的外观特征。简单的规则和LSTM Conv-LSTM相比能更好地捕捉崩溃的运动特性。该模型实现了87.78%的总体精度相对较快速的检测速度(30 FPS >),优于传统的基于运动模型和现有功能fusion-based模型。因此,该方法是一种很有前途的碰撞检测方法,实现良好的速度和准确度之间的平衡。gydF4y2Ba

诚然,该模型也有一些局限性。首先,模型错误检测到一些拥挤的交通场景崩溃。了解整个交通场景可能需要考虑。在未来的研究中,我们将尝试改进模型框架。第二,它仍有一些misdetections复杂交通环境/崩溃场景时,罕见的,模棱两可的。因此,该模型还需要更多的数据和其他辅助方法(例如,multiangle相机或few-shot学习)进一步提高其鲁棒性。第三,模型需要进一步提高识别不同类型/严重性级别的崩溃。作者建议,未来的研究应该关注这些话题。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据是在中国收购了当地的交警。因为这些数据来自视频监控(许多人车祸),他们只能访问得到了当地政府的许可。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项研究得到了国家自然科学基金(批准号71971061),中国国家重点研发项目(批准号2018 yfe0102700),江苏省交通科学研究项目(批准号2019 z02)。gydF4y2Ba

 张gydF4y2Ba F。gydF4y2Ba 在交通流预测和城市高速公路事件检测基于卡尔曼滤波gydF4y2Ba 2012年gydF4y2Ba 中国,北京gydF4y2Ba 北京交通大学gydF4y2Ba 博士论文gydF4y2Ba 阿明gydF4y2Ba 医生。gydF4y2Ba 事故检测和报告系统使用GPS, GPRS和GSM技术gydF4y2Ba 学报2012年国际会议信息、电子&愿景(ICIEV)gydF4y2Ba 2012年5月gydF4y2Ba 达卡,孟加拉国gydF4y2Ba KandarigydF4y2Ba 一个。gydF4y2Ba 阿卜杜拉穆罕默德gydF4y2Ba 一个。gydF4y2Ba AlshaikhligydF4y2Ba i F。gydF4y2Ba 意外事故检测的检测系统和方法gydF4y2Ba 美国专利8903636 b1gydF4y2Ba 2013年gydF4y2Ba CogswellgydF4y2Ba D。gydF4y2Ba 事故报警系统利用GSM, GPS和加速度计gydF4y2Ba 国际期刊的创新在计算机和通信工程的研究gydF4y2Ba 2015年gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba 3506年gydF4y2Ba 3511年gydF4y2Ba 王gydF4y2Ba C。gydF4y2Ba 徐gydF4y2Ba C。gydF4y2Ba 夏gydF4y2Ba J。gydF4y2Ba 钱gydF4y2Ba Z。gydF4y2Ba 结合使用微观交通仿真和极值交通安全评价的方法gydF4y2Ba 交通研究部分C:新兴技术gydF4y2Ba 2018年gydF4y2Ba 90年gydF4y2Ba 281年gydF4y2Ba 291年gydF4y2Ba 10.1016 / j.trc.2018.03.011gydF4y2Ba 2 - s2.0 - 85044613624gydF4y2Ba FahmidagydF4y2Ba R。gydF4y2Ba 张gydF4y2Ba X。gydF4y2Ba 梅gydF4y2Ba C。gydF4y2Ba 评估调查速度数据质量堵塞性能的措施gydF4y2Ba 美国交通运输研究委员会(民国)第99届会议gydF4y2Ba 2019年1月gydF4y2Ba 美国华盛顿特区gydF4y2Ba 李gydF4y2Ba M。gydF4y2Ba 李gydF4y2Ba Z。gydF4y2Ba 徐gydF4y2Ba C。gydF4y2Ba 刘gydF4y2Ba T。gydF4y2Ba 短期预测的安全性和操作的影响车道改变振荡与实证车辆轨迹gydF4y2Ba 事故分析和预防gydF4y2Ba 2020年gydF4y2Ba 135年gydF4y2Ba 105345年gydF4y2Ba 10.1016 / j.aap.2019.105345gydF4y2Ba 张gydF4y2Ba 徐gydF4y2Ba 使用文本挖掘技术确定二次崩溃gydF4y2Ba 交通安全与安全》杂志上gydF4y2Ba 2019年gydF4y2Ba 12gydF4y2Ba 10gydF4y2Ba 1gydF4y2Ba 21gydF4y2Ba 10.1080 / 19439962.2019.1597795gydF4y2Ba 2 - s2.0 - 85063968460gydF4y2Ba 顾gydF4y2Ba X。gydF4y2Ba Abdel-AtygydF4y2Ba M。gydF4y2Ba 香gydF4y2Ba Q。gydF4y2Ba 蔡gydF4y2Ba Q。gydF4y2Ba 元gydF4y2Ba J。gydF4y2Ba 利用无人机视频数据的深入分析司机的事故风险交换合并区域gydF4y2Ba 事故分析和预防gydF4y2Ba 2019年gydF4y2Ba 123年gydF4y2Ba 159年gydF4y2Ba 169年gydF4y2Ba 10.1016 / j.aap.2018.11.010gydF4y2Ba 2 - s2.0 - 85057360987gydF4y2Ba KamijogydF4y2Ba 年代。gydF4y2Ba 松下gydF4y2Ba Y。gydF4y2Ba IkeuchigydF4y2Ba K。gydF4y2Ba SakauchigydF4y2Ba M。gydF4y2Ba 十字路口的交通事故监测和检测gydF4y2Ba IEEE智能交通系统gydF4y2Ba 2000年gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 108年gydF4y2Ba 118年gydF4y2Ba 10.1109/6979.880968gydF4y2Ba 2 - s2.0 - 0013405246gydF4y2Ba 白gydF4y2Ba P。gydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 一个基于视频的交通事故检测的方法gydF4y2Ba 济南大学科学和技术杂志》上gydF4y2Ba 2012年gydF4y2Ba 3gydF4y2Ba 26gydF4y2Ba 282年gydF4y2Ba 286年gydF4y2Ba 陆gydF4y2Ba C。gydF4y2Ba 徐gydF4y2Ba C . C。gydF4y2Ba 戴gydF4y2Ba Y。gydF4y2Ba 事故预测方法基于二元极值理论和视频车辆轨迹数据gydF4y2Ba 事故分析和预防gydF4y2Ba 2018年gydF4y2Ba 123年gydF4y2Ba 365年gydF4y2Ba 373年gydF4y2Ba Yong-KulgydF4y2Ba Y.-K。gydF4y2Ba 李gydF4y2Ba D.-Y。gydF4y2Ba 十字路口的交通事故记录和报告模型gydF4y2Ba IEEE智能交通系统gydF4y2Ba 2007年gydF4y2Ba 8gydF4y2Ba 2gydF4y2Ba 188年gydF4y2Ba 194年gydF4y2Ba 10.1109 / tits.2006.890070gydF4y2Ba 2 - s2.0 - 34249915039gydF4y2Ba KigydF4y2Ba y K。gydF4y2Ba 使用图像处理和MDR事故检测系统gydF4y2Ba 国际计算机科学杂志和网络安全(IJCSNS)gydF4y2Ba 2007年gydF4y2Ba 7gydF4y2Ba 3gydF4y2Ba 35gydF4y2Ba 39gydF4y2Ba 托马斯。gydF4y2Ba 美国年代。gydF4y2Ba 古普塔gydF4y2Ba 年代。gydF4y2Ba 萨勃拉曼尼亚gydF4y2Ba 诉K。gydF4y2Ba 事件检测道路使用感性的视频摘要gydF4y2Ba IEEE智能交通系统gydF4y2Ba 2018年gydF4y2Ba 19gydF4y2Ba 9gydF4y2Ba 2944年gydF4y2Ba 2954年gydF4y2Ba 10.1109 / tits.2017.2769719gydF4y2Ba 2 - s2.0 - 85038363282gydF4y2Ba MaaloulgydF4y2Ba B。gydF4y2Ba 自适应视频算法对高速公路事故检测gydF4y2Ba 学报》2017年第12 IEEE国际研讨会工业嵌入式系统(sy)gydF4y2Ba 2017年6月gydF4y2Ba 图卢兹,法国gydF4y2Ba SadekygydF4y2Ba 年代。gydF4y2Ba 使用HFG实时交通事故自动识别gydF4y2Ba 学报2010年20国际会议模式识别gydF4y2Ba 2010年8月gydF4y2Ba 土耳其伊斯坦布尔gydF4y2Ba 陈gydF4y2Ba Y。gydF4y2Ba 基于视觉的交通事故检测方法使用极端的学习机器gydF4y2Ba 《2016年国际会议上先进的机器人技术和机电一体化(ICARM)gydF4y2Ba 2016年8月gydF4y2Ba 澳门,中国gydF4y2Ba 任gydF4y2Ba 年代。gydF4y2Ba 他gydF4y2Ba K。gydF4y2Ba GirshickgydF4y2Ba R。gydF4y2Ba 太阳gydF4y2Ba J。gydF4y2Ba 更快的R-CNN:对实时检测与地区建议网络gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2017年gydF4y2Ba 39gydF4y2Ba 6gydF4y2Ba 1137年gydF4y2Ba 1149年gydF4y2Ba 10.1109 / tpami.2016.2577031gydF4y2Ba 2 - s2.0 - 85019258369gydF4y2Ba 他gydF4y2Ba J。gydF4y2Ba 你只看一次:统一、实时检测gydF4y2Ba 学报2016年IEEE计算机视觉与模式识别会议(CVPR)gydF4y2Ba 2016年6月gydF4y2Ba 美国内华达州拉斯维加斯gydF4y2Ba RedmongydF4y2Ba J。gydF4y2Ba 阿里gydF4y2Ba F。gydF4y2Ba YOLO9000:更好,更快,更强gydF4y2Ba 学报2017年IEEE计算机视觉与模式识别会议(CVPR)gydF4y2Ba 2017年7月gydF4y2Ba 夏威夷火奴鲁鲁gydF4y2Ba RedmongydF4y2Ba J。gydF4y2Ba 阿里gydF4y2Ba F。gydF4y2Ba YOLOv3:增量改进gydF4y2Ba 2018年gydF4y2Ba https://arxiv.org/abs/1804.02767gydF4y2Ba 韦森特gydF4y2Ba e·m·A。gydF4y2Ba 萨gydF4y2Ba l R。gydF4y2Ba 快速检测车祸视频gydF4y2Ba 拉丁美洲计算机学报2018年赛事会议(CLEI)gydF4y2Ba 2018年1月gydF4y2Ba 巴西圣保罗gydF4y2Ba 李gydF4y2Ba K.B.gydF4y2Ba 胫骨gydF4y2Ba H.S.gydF4y2Ba 深入学习算法的一个应用程序自动检测的意外事故在糟糕的闭路电视监控条件下隧道gydF4y2Ba 学报2019年国际会议上深刻学习和新兴应用机器学习(Deep-ML)gydF4y2Ba 2019年8月gydF4y2Ba 土耳其伊斯坦布尔gydF4y2Ba 保罗gydF4y2Ba E。gydF4y2Ba 计算机应用在交通事故检测监控gydF4y2Ba 学报2019年10日国际会议上计算、通信和网络技术(ICCCNT)gydF4y2Ba 2019年7月gydF4y2Ba 印度坎普尔gydF4y2Ba 辛格gydF4y2Ba D。gydF4y2Ba 莫汉gydF4y2Ba c K。gydF4y2Ba 检测深度时空表示使用堆叠autoencoder交通事故gydF4y2Ba IEEE智能交通系统gydF4y2Ba 2019年gydF4y2Ba 20.gydF4y2Ba 3gydF4y2Ba 879年gydF4y2Ba 887年gydF4y2Ba 10.1109 / tits.2018.2835308gydF4y2Ba 2 - s2.0 - 85047622715gydF4y2Ba 姚gydF4y2Ba Y。gydF4y2Ba 在第一人称的视频中无监督交通事故检测gydF4y2Ba 学报2019年IEEE / RSJ智能机器人和系统国际会议(——)gydF4y2Ba 2019年11月gydF4y2Ba 澳门,中国gydF4y2Ba BataninagydF4y2Ba E。gydF4y2Ba 领域适应车祸检测的视频gydF4y2Ba 学报》2019年第九次国际会议上图像处理理论,工具和应用程序(IPTA)gydF4y2Ba 2019年11月gydF4y2Ba 土耳其伊斯坦布尔gydF4y2Ba 黄gydF4y2Ba X。gydF4y2Ba 他gydF4y2Ba P。gydF4y2Ba Rangarajan周二gydF4y2Ba 一个。gydF4y2Ba 蓝卡gydF4y2Ba 年代。gydF4y2Ba 聪明的十字路口gydF4y2Ba ACM交易空间算法和系统gydF4y2Ba 2020年gydF4y2Ba 6gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 28gydF4y2Ba 10.1145 / 3373647gydF4y2Ba 他gydF4y2Ba K。gydF4y2Ba 张gydF4y2Ba X。gydF4y2Ba 任gydF4y2Ba 年代。gydF4y2Ba 深层残留图像识别的学习gydF4y2Ba 程序的计算机视觉和模式识别gydF4y2Ba 2016年gydF4y2Ba 美国西雅图,华盛顿州gydF4y2Ba 胡gydF4y2Ba J。gydF4y2Ba Squeeze-and-excitation网络gydF4y2Ba 学报2018年IEEE / CVF计算机视觉与模式识别会议gydF4y2Ba 2018年6月gydF4y2Ba 美国犹他盐湖城gydF4y2Ba 古普塔gydF4y2Ba 年代。gydF4y2Ba CBAM:卷积块注意模块gydF4y2Ba 计算机视觉的欧洲会议(大会)gydF4y2Ba 2018年9月gydF4y2Ba 德国慕尼黑gydF4y2Ba 史gydF4y2Ba X。gydF4y2Ba 卷积LSTM网络:降水短时预测的机器学习方法gydF4y2Ba 1gydF4y2Ba 冻伤的15个程序第28届国际会议上神经信息处理系统gydF4y2Ba 2015年6月gydF4y2Ba 格拉纳达,西班牙gydF4y2Ba SelvarajugydF4y2Ba R R。gydF4y2Ba CogswellgydF4y2Ba M。gydF4y2Ba 达斯gydF4y2Ba 一个。gydF4y2Ba VedantamgydF4y2Ba R。gydF4y2Ba 帕瑞克豪gydF4y2Ba D。gydF4y2Ba 巴特拉gydF4y2Ba D。gydF4y2Ba 基于Grad-CAM:视觉解释从深层网络通过梯度本地化gydF4y2Ba 国际计算机视觉杂志》上gydF4y2Ba 2020年gydF4y2Ba 128年gydF4y2Ba 2gydF4y2Ba 336年gydF4y2Ba 359年gydF4y2Ba 10.1007 / s11263 - 019 - 01228 - 7gydF4y2Ba 郭gydF4y2Ba Y。gydF4y2Ba 李gydF4y2Ba Z。gydF4y2Ba 吴gydF4y2Ba Y。gydF4y2Ba 徐gydF4y2Ba C。gydF4y2Ba 探索未被注意的异质性冲红灯骑车人的行为在不同的路口gydF4y2Ba 事故分析和预防gydF4y2Ba 2018年gydF4y2Ba 115年gydF4y2Ba 118年gydF4y2Ba 127年gydF4y2Ba 10.1016 / j.aap.2018.03.006gydF4y2Ba 2 - s2.0 - 85043754624gydF4y2Ba 郭gydF4y2Ba Y。gydF4y2Ba 李gydF4y2Ba Z。gydF4y2Ba 吴gydF4y2Ba Y。gydF4y2Ba 徐gydF4y2Ba C。gydF4y2Ba 评估影响因素的电动自行车用户的车牌登记在中国使用贝叶斯方法gydF4y2Ba 交通运输研究F部分:心理学和行为gydF4y2Ba 2018年gydF4y2Ba 59gydF4y2Ba 212年gydF4y2Ba 221年gydF4y2Ba 10.1016 / j.trf.2018.09.008gydF4y2Ba 2 - s2.0 - 85053907614gydF4y2Ba