
-
生物通官微
陪你抓住生命科技
跳动的脉搏
轻量级上下文堆叠集成学习框架用于行人过街意图预测
《Scientific Reports》:Low-complexity pedestrian intent prediction using contextual stacked ensemble learning
【字体: 大 中 小 】 时间:2026年09月20日 来源:Scientific Reports 4.9
编辑推荐:
摘要作为积极且可持续的出行方式,步行在未来智能交通系统中发挥着关键作用。准确预测行人过街意图对于防止碰撞至关重要,尤其是在自动驾驶车辆日益普及的情况下。现有的接近事故预防方法通常依赖于计算密集型计算机视觉和深度学习技术。相比之下,本研究提出了 CSE,即一种轻量级上下文堆叠集
作为积极且可持续的出行方式,步行在未来智能交通系统中发挥着关键作用。准确预测行人过街意图对于防止碰撞至关重要,尤其是在自动驾驶车辆日益普及的情况下。现有的接近事故预防方法通常依赖于计算密集型计算机视觉和深度学习技术。相比之下,本研究提出了 CSE,即一种轻量级上下文堆叠集成学习框架,用于高效预测行人过街意图。首先检测行人并通过骨架化压缩其视觉表示,然后使用堆叠集成模型融合互补的姿态、轨迹和上下文线索。不同于将所有特征融合为单一统一表示的先前方法,CSE 采用模态分解策略,其中每个特征流独立处理,并通过轻量级元分类器进行集成。该设计保留了跨模态的互补决策线索。在多个数据集上的实验结果表明,该方法达到了与当前最先进的行人意图预测方法相当的性能,同时与最有效的现有基线相比,在浮点运算次数(FLOPs)和可训练参数方面将计算复杂度降低了至少 \(25\times \)。这种降低使得能够在资源受限的边缘设备上部署,而不损害准确性,同时避免了基于云处理所带来的延迟。