Anticipation d'Accidents de la Circulation basée sur l'Incertain avec l'Apprentissage Relationnel Spatio-Temporel
L'anticipation des accidents de la circulation vise à prédire les accidents à partir des vidéos de caméras embarquées (dashcam) le plus tôt possible, ce qui est crucial pour les systèmes de conduite autonome garantissant la sécurité. Avec des scènes de circulation encombrées et des indices visuels limités, il est très difficile de prédire combien de temps il restera avant qu'un accident se produise à partir des premières images observées. La plupart des approches existantes sont conçues pour apprendre les caractéristiques des agents impliqués dans l'accident, tout en ignorant les caractéristiques de leurs relations spatiales et temporelles. De plus, les réseaux neuronaux profonds déterministes actuels peuvent être trop confiants dans leurs prédictions erronées, augmentant ainsi le risque d'accidents de la circulation causés par les systèmes de conduite autonome.Dans cet article, nous proposons un modèle d'anticipation des accidents basé sur l'incertitude et l'apprentissage relationnel spatio-temporel. Ce modèle prédit séquentiellement la probabilité d'occurrence d'un accident de la circulation à partir des vidéos de caméras embarquées. Plus précisément, nous suggérons d'utiliser la convolution graphique et les réseaux récurrents pour l'apprentissage des caractéristiques relationnelles, et nous exploitons les réseaux neuronaux bayésiens pour traiter la variabilité intrinsèque des représentations relationnelles latentes. Nous avons constaté que la perte de classement basée sur l'incertitude dérivée améliore considérablement les performances du modèle en améliorant la qualité des caractéristiques relationnelles.De plus, nous avons collecté un nouveau jeu de données appelé Car Crash Dataset (CCD) pour l'anticipation des accidents de la circulation, qui contient des annotations relatives aux attributs environnementaux et aux raisons des accidents. Les résultats expérimentaux sur à la fois les jeux de données publics et notre nouveau jeu de données compilé montrent que notre modèle atteint un niveau de performance inédit. Notre code source et le jeu de données CCD sont disponibles sur https://github.com/Cogito2012/UString.