預測於行車紀錄影像中的事故

10.6328/CIEE.2017.3.12

詹富翔；陳玉亭；向宇；陳柏瑋；孫民

電工通訊季刊

2017第3季（2017 / 09 / 01）

110 - 122

繁體中文

本文提出含有動態空間注意（DSA）的循環神經網絡（RNN）架構來預測行車紀錄影片中的事故（圖一）。我們的DSA-RNN學習了(1)動態地將軟注意（soft-attention）分發到候選物件，以收集微妙的線索，(2)模擬所有提示的時間相依性，以強健性地預測事故。由於事故罕見且可能以許多不同的方式突然發生，預期事故的標註數量要比改變車道，轉彎等預期事件要少得多。為了克服這些挑戰，我們利用最先進的物件偵測[3]來檢測候選物件。其次，在我們的模型中引入全幀和基於物件的外觀和運動特徵。我們還在網上收集了678個行車紀錄事故影片的多樣化數據庫（圖三）。因為所有影片中都記載著各種事故（例如摩托車撞到汽車，汽車撞到另一輛汽車等），是故這個數據庫是獨一無二的。我們手動標記事故的時間位置，並用它們作為監督式學習來訓練和評估我們的方法。我們的方法能在車禍發生大約前兩秒進行預測並擁有80%的召回率（recall rate）和56.14%的精度（precision）。最重要的是，它達到最高的平均精度（74.35%），超過那些沒有注意力或RNN的模型架構。