通过特征一致性表示和软标签回归提前预测交通事故

《ACM Transactions on Multimedia Computing, Communications, and Applications》：Early Traffic Accident Anticipation via Feature Consistency Representation and Soft Label Regression

基于对比学习的交通事故预测方法提出特征融合模块，将同一帧作为正对，相邻帧作为子正对，远距离帧作为负对，并重构任务为异常分数回归，在DAD和CCD数据集上验证显著提升预测性能。

　　

摘要

利用行车记录仪视频进行早期交通事故预测对于提升智能车辆的安全性至关重要。准确预测交通事故可以显著减少事故发生率，从而提高整体道路安全。然而，尽管研究人员通过采用不同的特征提取方法在同一帧中捕获更多视觉信息，但同一帧内特征之间的一致性以及不同帧之间特征之间的差异尚未得到充分重视。为了解决这一关键问题，我们将对比学习引入到交通事故预测领域，并提出了一种新颖的特征融合模块，以实现多样化特征的深度整合。我们的方法将同一帧内的特征视为正样本对，由于相邻帧之间存在高度相关性，因此将它们视为次正样本对；而将时间上相隔较远的帧内的特征视为负样本对。这种方法有效增强了模型的表示能力，从而提高了整体的预测性能。此外，我们通过使用软标签将交通事故预测任务重新定义为异常分数回归问题，使模型能够更好地量化事故发生的可能性，从而提供更加细致和准确的预测结果。我们在两个公开可用的数据集——行车记录仪事故数据集（DAD）和汽车碰撞数据集（CCD）上全面评估了该方法的表现。结果表明，我们的方法优于现有的交通事故预测方法，凸显了其在实际应用中的潜力。代码将发布在：https://github.com/yangugu/TAP_CC。