Ein dynamisches räumlich-zeitliches Aufmerksamkeitsnetzwerk zur frühen Vorhersage von Verkehrsunfällen

Der rasche Fortschritt der Sensortechnologien und künstlichen Intelligenz schafft neue Möglichkeiten zur Verbesserung der Verkehrssicherheit. Dashboardskameras (Dashcams) werden sowohl in Fahrzeugen mit menschlicher als auch in Fahrzeugen mit automatisierter Steuerung weit verbreitet eingesetzt. Ein Modell der computergestützten Intelligenz, das Unfälle aus den Dashcam-Videos genau und zeitnah vorhersagen kann, wird die Vorbereitung auf Unfallprävention verbessern. Die räumlich-zeitliche Interaktion von Verkehrsteilnehmern ist komplex. Visuelle Hinweise zur Vorhersage zukünftiger Unfälle sind tief in den Dashcam-Videodaten verankert. Daher bleibt die frühzeitige Erkennung von Verkehrsunfällen eine Herausforderung. Inspiriert durch das Aufmerksamkeitsverhalten von Menschen bei der visuellen Wahrnehmung von Unfalldrohungen, schlägt dieser Artikel ein Dynamisches Räumlich-Zeitliches Aufmerksamkeitsnetzwerk (DSTA-Netzwerk) für die frühzeitige Unfallvorhersage aus Dashcam-Videos vor. Das DSTA-Netzwerk lernt, diskriminative zeitliche Segmente einer Videosequenz mit einem dynamischen zeitlichen Aufmerksamkeitsmodul (DTA-Modul) auszuwählen. Es lernt auch, sich auf informante räumliche Bereiche der Bilder mit einem dynamischen räumlichen Aufmerksamkeitsmodul (DSA-Modul) zu konzentrieren. Eine Gated Recurrent Unit (GRU) wird gemeinsam mit den Aufmerksamkeitsmodulen trainiert, um die Wahrscheinlichkeit eines zukünftigen Unfalls vorherzusagen. Die Auswertung des DSTA-Netzwerks anhand zweier Benchmark-Datensätze bestätigt, dass es die bislang beste Leistung übertroffen hat. Eine detaillierte Abstraktionsstudie, die das DSTA-Netzwerk auf Komponentenebene bewertet, zeigt auf, wie das Netzwerk diese Leistung erzielt. Darüber hinaus schlägt dieser Artikel eine Methode zur Fusionierung der Vorhersagewerte aus zwei ergänzenden Modellen vor und überprüft ihre Effektivität bei der weiteren Steigerung der Leistung der frühzeitigen Unfallvorhersage.请注意，"Abstraktionsstudie" 通常用于指代 "ablation study"，但这个术语在德语中并不常用。因此，这里使用了 "detaillierte Abstraktionsstudie" 来表达 "thorough ablation study" 的意思。如果需要更加专业的术语，可以考虑使用 "detaillierte Komponentenanalyse" 或者直接保留英文 "Ablationsstudie" 并加以解释。