Exploration du contexte dynamique piloté par événements pour la segmentation des scènes d'accidents

La robustesse de la segmentation sémantique face aux cas limites dans les scènes de circulation est un facteur déterminant pour la sécurité des systèmes de transport intelligents. Toutefois, la plupart des scènes critiques entraînant des accidents de la route sont extrêmement dynamiques et inédites, ce qui affecte gravement les performances des méthodes de segmentation sémantique. En outre, le retard temporel inhérent aux caméras traditionnelles lors de conduites à grande vitesse réduit davantage l'information contextuelle dans la dimension temporelle. Ainsi, nous proposons d’extraire le contexte dynamique à partir de données basées sur des événements, offrant une résolution temporelle supérieure, afin d’enrichir les images statiques en RGB, même dans des situations d’accidents caractérisées par un flou de mouvement, des collisions, des déformations, des renversements, etc. Par ailleurs, afin d’évaluer précisément la performance de la segmentation dans les accidents de la route, nous introduisons un jeu de données annoté au niveau pixel, nommé DADA-seg, comprenant une variété de scénarios critiques issus d’accidents réels. Nos expérimentations montrent que les données basées sur des événements peuvent fournir des informations complémentaires permettant de stabiliser la segmentation sémantique dans des conditions défavorables, en préservant les détails fins du mouvement des objets en avant-plan rapides (objets impliqués dans les collisions). Notre approche obtient une amélioration de +8,2 % sur le jeu de données d’accidents proposé, dépassant plus de 20 méthodes de segmentation sémantique de pointe. Cette méthode s’est révélée efficace de manière cohérente sur des modèles entraînés sur plusieurs bases de données sources, notamment Cityscapes, KITTI-360, BDD et ApolloScape.