Double codeur-décodeur-encodeur avec formation contradictoire pour la détection non supervisée des accidents de la circulation dans les vidéos de surveillance

Summary

Ce travail propose un modèle à double codeur-décodeur-encodeur (EDE) pour la détection automatisée des accidents de la circulation. À l’aide d’une méthode d’entraînement en deux phases, il apprend des schémas de conduite normaux et identifie les anomalies par confrontation générative. Le modèle détecte efficacement les accidents dans les images du monde réel et offre un aperçu des comportements des conducteurs en capturant les écarts subtils.

Abstract

Pour renforcer la sécurité routière et améliorer les interventions d’urgence, les incidents de circulation doivent être détectés le plus rapidement possible dans les images de surveillance du monde réel. Les systèmes existants dépendent en grande partie de la surveillance manuelle, qui prend du temps et est sujette aux erreurs. La détection automatisée des accidents reste un défi en raison du déséquilibre important entre les classes : les situations de conduite normales sont surreprésentées, tandis que les accidents sont rares et diversifiés. Dans de tels cas, les systèmes de vision par ordinateur traditionnels ne peuvent souvent pas différencier de manière fiable les événements normaux et anormaux. Cette étude aborde le problème en développant une architecture d’apprentissage profond basée sur un cadre à double codeur-décodeur-encodeur (EDE). Le modèle utilise deux pipelines d’encodeur-décodeur partagés pour mapper les distributions d’images aux distributions latentes spécifiées dans les deux sens. Ce cadre permet au système de modéliser les modèles de comportement de trafic courants et de devenir plus sensible aux changements qui peuvent indiquer des événements dangereux ou inhabituels. Une technique d’entraînement en deux phases est proposée pour améliorer encore la détection des anomalies. Dans la première phase, le modèle apprend à reconstruire des images de conduite normale, en utilisant la perte de reconstruction pour caractériser le comportement normal. Dans la deuxième phase, un mécanisme antagoniste génératif est introduit : des vecteurs latents reconstruits d’une EDE sont passés à l’autre, générant des images synthétiques et des espaces latents. Ce processus amplifie les différences entre les sorties réelles et synthétiques, ce qui rend le système plus réactif aux signes subtils d’anomalies potentielles. L’architecture dual-EDE et la méthodologie d’entraînement contradictoire représentent une avancée substantielle par rapport aux méthodes actuelles en modélisant à la fois le comportement normal et pathologique. Les résultats expérimentaux sur des ensembles de données réelles de surveillance du trafic démontrent que la méthode proposée améliore considérablement la détection des accidents et des comportements de conduite dangereux, tant en termes de précision que de robustesse.

Introduction

Selon l’Organisation mondiale de la santé (2023), les accidents de la route sont la principale cause de décès chez les enfants et les jeunes adultes âgés de 5 à 29 ans, avec environ 1,3 million de décès signalés dans le monde chaque année. Cette statistique alarmante souligne l’urgence de disposer de systèmes automatisés capables de^{surveiller le trafic} routier1, de détecter les anomalies en temps réel et de réduire les délais d’intervention d’urgence. L’intégration de l’intelligence artificielle (IA) et de l’Internet des objets (IoT) dans l’infrastructure des villes intelligentes a permis le développement de sy....

Protocol

Système

Coup monté
Nous avons déployé le système de détection d’anomalies de trafic proposé dans un cadre de calcul hiérarchique et distribué, en tirant parti de l’environnement Intel Tiber Cloud. Cette architecture comprend trois niveaux (edge, fog et cloud) pour garantir une inférence à faible latence, un entraînement évolutif et une allocation efficace des ressources entre les nœuds de calcul.

Niveau Edge : la détection des anomalies en temps réel est effectuée à la périphérie à l’aide de dispositifs embarqués légers et compatibles GPU (par exemple, NVIDIA Jetson Nano ou des plates....

Results

Pour évaluer l’efficacité de la méthode de détection des anomalies de trafic proposée, nous avons mis en œuvre le modèle sur un seul clip vidéo et généré des visualisations illustrant le comportement du système au fil du temps et dans l’espace des fonctionnalités. Bien qu’obtenus à l’aide d’un pipeline EDE simulé, les résultats reflètent étroitement les conclusions qualitatives que l’on attendrait d’un modèle réel.

La chronologie du score d’anomalie illustre la confiance du modèle, image par i.......

Discussion

Cette étude présente un système de détection d’anomalies de trafic basé sur l’apprentissage profond utilisant une architecture EDE, entraîné de manière non supervisée pour identifier les accidents impliquant un ou plusieurs véhicules dans des vidéos de surveillance réelles. En modélisant le comportement typique du trafic, le système détecte les écarts en tant qu’anomalies probables sans nécessiter de données d’anomalie étiquetées, ce qui permet de résoudre les problèmes d’évolutivité et .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Ensemble de données du Défi de la ville IA de la piste 4	Défi de la ville IA (https://www.aicitychallenge.org)	Piste 4, sortie 2021
Boîte à outils CUDA	Développeur NVIDIA	Version 11.3
Bibliothèque cuDNN	Développeur NVIDIA	Compatible avec CUDA 11.3
Cluster de stations de travail GPU (formation)	École d’informatique Amrita	&mdash ;
Poste de travail local (nœud de brouillard)	École d’informatique Amrita	&mdash ;
Matplotlib	matplotlib.org	Version 3.3+
NVIDIA Jetson Nano (périphérique Edge)	NVIDIA	945-13450-0000-100
GPU NVIDIA RTX 3060 (station de travail)	NVIDIA	Varie selon le fabricant
NumPy	numpy.org	Version 1.19+
OpenCV	OpenCV.org	Version 4.5+
Pandas	pandas.pydata.org	Version 1.1+
Python	Fondation du logiciel Python	Version 3.8+
PyTorch	PyTorch (https://pytorch.org)	Version 1.10+
Scikit-apprendre	scikit-learn.org	Version 0.24+
Ubuntu Linux (système d’exploitation)	Canonical Ltd.	Version 20.04 LTS