Un réseau d'attention spatio-temporelle dynamique pour l'anticipation précoce des accidents de circulation

Les progrès rapides des technologies de capteurs et de l'intelligence artificielle créent de nouvelles opportunités pour l'amélioration de la sécurité routière. Les caméras de tableau de bord (dashcams) sont largement déployées à la fois dans les véhicules conduits par des humains et dans les véhicules à conduite automatisée. Un modèle d'intelligence computationnelle capable de prédire avec précision et rapidement les accidents à partir des vidéos des dashcams améliorerait la préparation à la prévention des accidents. L'interaction spatio-temporelle entre les agents de circulation est complexe. Les indices visuels permettant de prédire un accident futur sont profondément ancrés dans les données vidéo des dashcams. Par conséquent, l'anticipation précoce des accidents de circulation reste un défi. Inspiré par le comportement d'attention des humains lors de la perception visuelle des risques d'accident, cet article propose un réseau d'Attention Spatio-Temporelle Dynamique (DSTA) pour l'anticipation précoce des accidents à partir des vidéos des dashcams. Le réseau DSTA apprend à sélectionner les segments temporels discriminants d'une séquence vidéo grâce à un module d'Attention Temporelle Dynamique (DTA). Il apprend également à se concentrer sur les régions spatiales informatives des images grâce à un module d'Attention Spatiale Dynamique (DSA). Une Unité Récursive Gérée (GRU) est entraînée conjointement avec les modules d'attention pour prédire la probabilité d'un accident futur. L'évaluation du réseau DSTA sur deux ensembles de données de référence confirme qu'il a surpassé les performances actuelles de pointe. Une étude approfondie par élimination progressive qui évalue le réseau DSTA au niveau composant révèle comment le réseau atteint une telle performance. De plus, cet article propose une méthode pour fusionner les scores de prédiction provenant de deux modèles complémentaires et vérifie son efficacité pour encore améliorer la performance de l'anticipation précoce des accidents.