מקודד-מפענח-מקודד כפול עם הדרכה יריבה לזיהוי תאונות דרכים ללא פיקוח בסרטוני מעקב

Sneha Kandacharam; B Rajathilagam; Shriram K. Vasudevan

doi:10.3791/68731

Research Article

מקודד-מפענח-מקודד כפול עם הדרכה יריבה לזיהוי תאונות דרכים ללא פיקוח בסרטוני מעקב

DOI:

10.3791/68731

⸱

September 5th, 2025

Sneha Kandacharam¹ , B Rajathilagam¹ , Shriram K. Vasudevan²

¹Department of Computer Science and Engineering, Amrita School of Computing, Coimbatore, Amrita Vishwa Vidyapeetham, India, ²Intel Corporation, Bangalore, India

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עבודה זו מציעה מודל מקודד-מפענח-מקודד כפול (EDE) לזיהוי אוטומטי של תאונות דרכים. באמצעות שיטת אימון דו-שלבית, הוא לומד דפוסי נהיגה רגילים ומזהה חריגות באמצעות עימות גנרטיבי. המודל מזהה ביעילות תאונות בצילומים מהעולם האמיתי ומציע תובנות לגבי התנהגויות הנהגים על ידי לכידת סטיות עדינות.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כדי לשפר את הבטיחות בדרכים ולשפר את תגובת החירום, יש לזהות אירועי תנועה בצילומי מעקב בעולם האמיתי במהירות האפשרית. מערכות קיימות תלויות במידה רבה בניטור ידני, שגוזל זמן ונוטה לטעויות. זיהוי תאונות אוטומטי נותר מאתגר בשל חוסר האיזון המעמדי המשמעותי: מצבי נהיגה רגילים מיוצגים יתר על המידה, בעוד שתאונות הן נדירות ומגוונות. במקרים כאלה, מערכות ראייה ממוחשבות מסורתיות לרוב אינן יכולות להבדיל באופן אמין בין אירועים רגילים לחריגים. מחקר זה מטפל בבעיה על ידי פיתוח ארכיטקטורת למידה עמוקה המבוססת על מסגרת מקודד-מפענח-מקודד כפול (EDE). המודל משתמש בשני צינורות מקודד-מפענח משותפים כדי למפות את התפלגויות התמונה להתפלגויות סמויות שצוינו בשני הכיוונים. מסגרת זו מאפשרת למערכת למדל דפוסי התנהגות נפוצים בתנועה ולהיות רגישה יותר לשינויים שעשויים להצביע על אירועים מסוכנים או חריגים. טכניקת אימון דו-שלבית מוצעת כדי לשפר עוד יותר את זיהוי החריגות. בשלב הראשון, המודל לומד לשחזר תמונות של נהיגה רגילה, תוך שימוש באובדן שחזור כדי לאפיין התנהגות נורמלית. בשלב השני, מוצג מנגנון יריב גנרטיבי: וקטורים סמויים משוחזרים מ-EDE אחד מועברים לשני, ויוצרים תמונות סינתטיות ומרחבים סמויים. תהליך זה מגביר את ההבדלים בין תפוקות אמיתיות וסינתטיות, מה שהופך את המערכת למגיבה יותר לסימנים עדינים של חריגות פוטנציאליות. ארכיטקטורת ה-EDE הכפולה ומתודולוגיית האימון היריבה מייצגות התקדמות משמעותית לעומת השיטות הנוכחיות על ידי מידול התנהגות נורמלית ופתולוגית כאחד. תוצאות ניסיוניות על מערכי נתונים של מעקב תנועה בעולם האמיתי מראות כי השיטה המוצעת משפרת משמעותית את זיהוי התאונות והתנהגויות נהיגה לא בטוחות, הן מבחינת דיוק והן מבחינת חוסן.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

על פי ארגון הבריאות העולמי (2023), פציעות בדרכים הן סיבת המוות המובילה בקרב ילדים וצעירים בגילאי 5-29 שנים, עם כ-1.3 מיליון הרוגים מדווחים ברחבי העולם מדי שנה. נתון מדאיג זה מדגיש את הצורך הדחוף במערכות אוטומטיות המסוגלות לנטר^את התנועה בכבישים, לזהות חריגות בזמן אמת ולהפחית עיכובים בתגובת חירום. השילוב של בינה מלאכותית (AI) והאינטרנט של הדברים (IoT) בתשתיות עיר חכמה איפשר פיתוח של מערכות תחבורה חכמות. בעוד שרשתות טלוויזיה במעגל סגור (CCTV)^2,3 מספקות מעקב רציף אחר תנועה עירונית, ניטור ידני אינו מעשי ונוטה לטעויות. לכן, פתרונות אוטומטיים ניתנים להרחבה לזי....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מערכת

ההתקנה
פרסנו את מערכת זיהוי חריגות התעבורה המוצעת במסגרת מחשוב היררכית ומבוזרת, תוך מינוף סביבת Intel Tiber Cloud. ארכיטקטורה זו מורכבת משלוש שכבות - קצה, ערפל וענן - כדי להבטיח הסקת מסקנות בהשהיה נמוכה, הדרכה ניתנת להרחבה והקצאת משאבים יעילה על פני צמתי מחשוב.

שכבת קצה: זיהוי חריגות בזמן אמת מתבצע בקצה באמצעות התקנים משובצים קלים התומכים ב-GPU (לדוגמה, NVIDIA Jetson Nano או פלטפורמות מקבילות מבוססות Intel עם GPUs משולבים). יחידות אלה מוקמו יחד עם מצלמות מעקב וביצעו הסקה פריים אחר פריים עם חביון מינימלי, מה שמאפשר ניטור תנועה מבוזר ומגיב.

שכבת ערפל: מ....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כדי להעריך את היעילות של שיטת זיהוי חריגות התנועה המוצעת, יישמנו את המודל על סרטון וידאו יחיד ויצרנו הדמיות הממחישות את התנהגות המערכת לאורך זמן ובתוך מרחב התכונות. למרות שהתקבלו באמצעות צינור EDE מדומה, התוצאות משקפות מקרוב את המסקנות האיכותיות שניתן לצפות ממודל בפועל.

ציר הזמן של ציון האנומליה מתאר את הביטחון של המודל מסגרת אחר מסגרת בזיהוי התרחשויות חריגות (איור 6). שיאים בציון האנומליה תואמים לשינויים פתאומיים בדינמיקת התמונה, כגון תנועה פתאומית או עיוותים חזו.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה מציג מערכת לזיהוי אנומליות תנועה מבוססת למידה עמוקה המשתמשת בארכיטקטורת EDE, מאומנת באופן לא מפוקח לזיהוי תאונות של כלי רכב בודדים ומרובים בסרטוני מעקב בעולם האמיתי. על ידי מידול התנהגות תנועה טיפוסית, המערכת מזהה סטיות כחריגות סבירות מבלי לדרוש נתוני אנומליה מסומנים, ובכך מתמודדת עם אתגרי מדרגיות ודלילות נתונים בניטור תעבורה חכם. המחקר מקדם את התחום על ידי הדגמת השימוש המשולב בעקביות חלל סמוי ואובדן שחזור לזיהוי יעיל של אנומליה מרחבית-זמנית.

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים שאין ניגודי אינטרסים.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה לא קיבל מימון חיצוני. המחברים רוצים להודות לבית הספר למחשוב אמריטה, קוימבטור, הודו, על מתן החומרה הדרושה והתמיכה שלא תסולא בפז בביצוע מחקר זה.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
Name	Company	Catalog Number
מערך נתונים של AI City Challenge Track 4	אתגר עיר AI (https://www.aicitychallenge.org)	רצועה 4, מהדורת 2021
ערכת הכלים של CUDA	מפתח NVIDIA	גירסה 11.3
ספריית cuDNN	מפתח NVIDIA	תואם ל-CUDA 11.3
אשכול תחנות עבודה של GPU (הדרכה)	בית הספר אמריטה למחשבים	—
תחנת עבודה מקומית (צומת ערפל)	בית הספר אמריטה למחשבים	—
מטפלוטלב	matplotlib.org	גרסה 3.3+
NVIDIA Jetson Nano (התקן קצה)	NVIDIA	945-13450-0000-100
NVIDIA RTX 3060 GPU (תחנת עבודה)	NVIDIA	משתנה בהתאם ליצרן
NumPy	numpy.org	גרסה 1.19+
OpenCV	OpenCV.org	גרסה 4.5+
פנדה	pandas.pydata.org	גרסה 1.1+
פיתון	קרן התוכנה של פייתון	גרסה 3.8+
פייטורץ'	פייטורץ' (https://pytorch.org)	גרסה 1.10+
Scikit-learn	scikit-learn.org	גירסה 0.24+
אובונטו לינוקס (מערכת הפעלה)	קנוניקל בע"מ	גרסה 20.04 LTS

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gannina, A. R. K., et al. A new approach to road incident detection leveraging live traffic data: An empirical investigation. Procedia Comput Sci. 235, 2288-2296 (2024).
Khaleghi, A., Moin, M. -S. Improved anomaly detection in s....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

מקודד-מפענח-מקודד כפול עם הדרכה יריבה לזיהוי תאונות דרכים ללא פיקוח בסרטוני מעקב

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles