一种通过跨数据集运动迁移与渐进式监督实现稳定交通事故预演的策略驱动训练流水线

《Applied Sciences》：A Strategy-Driven Training Pipeline for Stable Traffic Accident Anticipation via Cross-Dataset Motion Transfer and Progressive Supervision

　　基于视觉的交通事故预判对于主动车辆安全系统至关重要，然而现有架构常常将性能提升与在紧凑域上从头优化而来的大量参数扩展混为一谈。因此，在实时推理过程中，这些框架会遭受严重的预测波动和早期触发偏差，从而引发危险的控制系统不稳定。为解决这些局限性，本文将研究重点从网络结构修改转向了一种在完全不变的空间-时间神经网络主干下执行的高度受控、策略驱动的训练流程。我们提出的范式通过三个解耦的里程碑建立了稳健的框架。首先，采用一种跨域初始化策略，将大规模序列域（Mapillary）中的通用驾驶动力学迁移过来，作为稳定的时间锚点。其次，进行目标域生成增强，注入合成夜间场景，以将危险特征与低光照环境噪声解耦。第三，实施渐进式时间监督范式扩展，使目标标签单调对齐以匹配连续动力学风险的积累。在车辆碰撞数据集（CCD）基准上的整体评估表明，完全集成的配置（C4）流程在帧级平均精度均值（mAP）上达到了69.89%，比基线配置提高了22.81个百分点。连续时间测量证明，我们的框架能够适应跟踪波动，将时间置信度方差压缩至0.00328，并将预测不稳定计数降至0.66。尽管高敏感性基线因过早触发噪声导致早期原始延迟均值偏高，但我们的模型有意过滤这种早期帧变异性，以提供安全的预警配置，在评估的非危险驾驶序列中实现了绝对零虚警率（FAR = 0.00%），建立了实际自主部署所需的序列级可靠性。