Codificador-decodificador-codificador dual con entrenamiento adversarial para la detección de accidentes de tráfico sin supervisión en videos de vigilancia

Summary

Este trabajo propone un modelo dual codificador-decodificador-codificador (EDE) para la detección automatizada de accidentes de tráfico. Utilizando un método de entrenamiento de dos fases, aprende patrones de conducción normales e identifica anomalías a través de la confrontación generativa. El modelo detecta eficazmente accidentes en imágenes del mundo real y ofrece información sobre los comportamientos de los conductores mediante la captura de desviaciones sutiles.

Abstract

Para mejorar la seguridad vial y mejorar la respuesta a emergencias, los incidentes de tráfico deben detectarse en imágenes de vigilancia del mundo real lo más rápido posible. Los sistemas existentes dependen en gran medida de la supervisión manual, que requiere mucho tiempo y es propensa a errores. La detección automatizada de accidentes sigue siendo un desafío debido al desequilibrio sustancial de clases: las situaciones normales de conducción están sobrerrepresentadas, mientras que los accidentes son raros y diversos. En tales casos, los sistemas tradicionales de visión por computadora a menudo no pueden diferenciar de manera confiable entre eventos normales y anormales. Este estudio aborda el problema mediante el desarrollo de una arquitectura de aprendizaje profundo basada en un marco dual codificador-decodificador-codificador (EDE). El modelo utiliza dos canalizaciones de codificador-decodificador compartidas para asignar distribuciones de imágenes a distribuciones latentes especificadas en ambas direcciones. Este marco permite que el sistema modele patrones de comportamiento de tráfico comunes y se vuelva más sensible a los cambios que pueden indicar eventos peligrosos o inusuales. Se propone una técnica de entrenamiento en dos fases para mejorar aún más la detección de anomalías. En la primera fase, el modelo aprende a reconstruir imágenes de conducción normal, utilizando la pérdida de reconstrucción para caracterizar el comportamiento normal. En la segunda fase, se introduce un mecanismo generativo antagónico: los vectores latentes reconstruidos de un EDE se pasan al otro, generando imágenes sintéticas y espacios latentes. Este proceso amplifica las diferencias entre los resultados reales y sintéticos, lo que hace que el sistema responda mejor a los signos sutiles de posibles anomalías. La arquitectura de doble EDE y la metodología de entrenamiento adversarial representan un avance sustancial sobre los métodos actuales al modelar el comportamiento normal y patológico. Los resultados experimentales en conjuntos de datos de vigilancia del tráfico en el mundo real demuestran que el método propuesto mejora significativamente la detección de accidentes y comportamientos de conducción inseguros, tanto en términos de precisión como de robustez.

Introduction

Según la Organización Mundial de la Salud (2023), las lesiones por accidentes de tránsito son la principal causa de muerte entre niños y adultos jóvenes de 5 a 29 años, con aproximadamente 1,3 millones de muertes reportadas en todo el mundo cada año. Esta alarmante estadística subraya la necesidad urgente de sistemas automatizados capaces de monitorear el tráfico rodado¹, detectar anomalías en tiempo real y reducir los retrasos en la respuesta de emergencia. La integración de la inteligencia artificial (IA) y el Internet de las cosas (IoT) en la infraestructura de las ciudades inteligentes ha permitido el desar....

Protocol

Sistema

Arreglo
Implementamos el sistema de detección de anomalías de tráfico propuesto dentro de un marco informático jerárquico y distribuido, aprovechando el entorno Intel Tiber Cloud. Esta arquitectura consta de tres niveles: borde, niebla y nube, para garantizar una inferencia de baja latencia, un entrenamiento escalable y una asignación eficiente de recursos en los nodos de proceso.

Nivel de borde: la detección de anomalías en tiempo real se lleva a cabo en el borde utilizando dispositivos integrados livianos y compatibles con GPU (por ejemplo, NVIDIA Jetson Nano o plataformas e....

Results

Para evaluar la eficacia del método de detección de anomalías de tráfico propuesto, implementamos el modelo en un solo videoclip y generamos visualizaciones que ilustran el comportamiento del sistema a lo largo del tiempo y dentro del espacio de características. Aunque se obtuvieron utilizando una canalización EDE simulada, los resultados reflejan de cerca las conclusiones cualitativas que se esperarían de un modelo real.

La línea de tiempo de puntuación de anomalía muestra la confianza cuadro.......

Discussion

Este estudio presenta un sistema de detección de anomalías de tráfico basado en el aprendizaje profundo que emplea una arquitectura EDE, entrenada de manera no supervisada para identificar accidentes de uno o varios vehículos en videos de vigilancia del mundo real. Al modelar el comportamiento típico del tráfico, el sistema detecta las desviaciones como anomalías probables sin necesidad de datos de anomalías etiquetados, abordando así los desafíos de escalabilidad y escasez de datos en e.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Conjunto de datos de AI City Challenge Track 4	Desafío de la ciudad de IA (https://www.aicitychallenge.org)	Pista 4, lanzamiento de 2021
Kit de herramientas CUDA	Desarrollador NVIDIA	Versión 11.3
Biblioteca cuDNN	Desarrollador NVIDIA	Compatible con CUDA 11.3
Clúster de estación de trabajo GPU (entrenamiento)	Escuela de Computación Amrita	—
Estación de trabajo local (nodo de niebla)	Escuela de Computación Amrita	—
Matplotlib	matplotlib.org	Versión 3.3+
NVIDIA Jetson Nano (dispositivo perimetral)	NVIDIA	945-13450-0000-100
GPU NVIDIA RTX 3060 (estación de trabajo)	NVIDIA	Varía según el fabricante
NumPy	numpy.org	Versión 1.19+
Abrir CV	OpenCV.org	Versión 4.5+
Pandas	pandas.pydata.org	Versión 1.1+
Pitón	Fundación de software Python	Versión 3.8+
PyTorch	PyTorch (https://pytorch.org)	Versión 1.10+
Scikit-learn	scikit-learn.org	Versión 0.24+
Ubuntu Linux (sistema operativo)	Canonical Ltd.	Versión 20.04 LTS