Doppio encoder-decodificatore-codificatore con formazione antintrusione per il rilevamento non supervisionato di incidenti stradali nei video di sorveglianza

Summary

Questo lavoro propone un modello a doppio encoder-decoder-encoder (EDE) per il rilevamento automatizzato degli incidenti stradali. Utilizzando un metodo di formazione in due fasi, apprende i normali schemi di guida e identifica le anomalie attraverso il confronto generativo. Il modello rileva efficacemente gli incidenti in filmati del mondo reale e offre informazioni dettagliate sui comportamenti dei conducenti catturando sottili deviazioni.

Abstract

Per migliorare la sicurezza stradale e la risposta alle emergenze, gli incidenti stradali dovrebbero essere rilevati il più rapidamente possibile nei filmati di sorveglianza del mondo reale. I sistemi esistenti dipendono in gran parte dal monitoraggio manuale, che richiede tempo ed è soggetto a errori. Il rilevamento automatico degli incidenti rimane impegnativo a causa del sostanziale squilibrio di classe: le situazioni di guida normali sono sovrarappresentate, mentre gli incidenti sono rari e diversificati. In questi casi, i sistemi di visione artificiale tradizionali spesso non sono in grado di distinguere in modo affidabile tra eventi normali e anomali. Questo studio affronta il problema sviluppando un'architettura di deep learning basata su un framework a doppio encoder-decoder-encoder (EDE). Il modello usa due pipeline di codificatore-decodificatore condivise per mappare le distribuzioni delle immagini alle distribuzioni latenti specificate in entrambe le direzioni. Questo framework consente al sistema di modellare modelli di comportamento comuni del traffico e di diventare più sensibile ai cambiamenti che possono indicare eventi pericolosi o insoliti. Viene proposta una tecnica di addestramento in due fasi per migliorare ulteriormente il rilevamento delle anomalie. Nella prima fase, il modello impara a ricostruire le immagini della guida normale, utilizzando la perdita di ricostruzione per caratterizzare il comportamento normale. Nella seconda fase, viene introdotto un meccanismo generativo contraddittorio: i vettori latenti ricostruiti da un EDE vengono passati all'altro, generando immagini sintetiche e spazi latenti. Questo processo amplifica le differenze tra output reali e sintetici, rendendo il sistema più reattivo ai segni sottili di potenziali anomalie. L'architettura dual-EDE e la metodologia di addestramento antagonista rappresentano un progresso sostanziale rispetto ai metodi attuali, modellando sia il comportamento normale che quello patologico. I risultati sperimentali su set di dati di sorveglianza del traffico nel mondo reale dimostrano che il metodo proposto migliora significativamente il rilevamento di incidenti e comportamenti di guida non sicuri, sia in termini di accuratezza che di robustezza.

Introduction

Secondo l'Organizzazione Mondiale della Sanità (2023), gli incidenti stradali sono la principale causa di morte tra i bambini e i giovani adulti di età compresa tra 5 e 29 anni, con circa 1,3 milioni di decessi segnalati a livello globale ogni anno. Questo dato allarmante sottolinea l'urgente necessità di sistemi automatizzati in grado di monitorare il traffico stradale¹, rilevare anomalie in tempo reale e ridurre i ritardi nella risposta alle emergenze. L'integrazione dell'intelligenza artificiale (AI) e dell'Internet of Things (IoT) nelle infrastrutture delle smart city ha consentito lo sviluppo di sistemi di....

Protocol

Sistema

Apparecchio
Abbiamo implementato il sistema di rilevamento delle anomalie del traffico proposto all'interno di un framework di calcolo gerarchico e distribuito, sfruttando l'ambiente Intel Tiber Cloud. Questa architettura comprende tre livelli: edge, fog e cloud, per garantire inferenza a bassa latenza, training scalabile e allocazione efficiente delle risorse tra i nodi di calcolo.

Livello perimetrale: il rilevamento delle anomalie in tempo reale viene condotto all'edge utilizzando dispositivi integrati leggeri e compatibili con GPU (ad esempio, NVIDIA Jetson Nano o piattafor....

Results

Per valutare l'efficacia del metodo di rilevamento delle anomalie del traffico proposto, abbiamo implementato il modello su un singolo video clip e generato visualizzazioni che illustrano il comportamento del sistema nel tempo e all'interno dello spazio delle funzionalità. Sebbene ottenuti utilizzando una pipeline EDE simulata, i risultati riflettono da vicino le conclusioni qualitative che ci si aspetterebbe da un modello reale.

La sequenza temporale del punteggio di anomalia rappresenta la s.......

Discussion

Questo studio presenta un sistema di rilevamento delle anomalie del traffico basato sul deep learning che impiega un'architettura EDE, addestrato in modo non supervisionato per identificare incidenti con un solo veicolo e più veicoli nei video di sorveglianza del mondo reale. Modellando il comportamento tipico del traffico, il sistema rileva le deviazioni come probabili anomalie senza richiedere dati sulle anomalie etichettati, affrontando così le sfide di scalabilità e sparsità dei dati.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Set di dati AI City Challenge Track 4	Sfida città IA (https://www.aicitychallenge.org)	Traccia 4, uscita 2021
CUDA Toolkit	Sviluppatore NVIDIA	Versione 11.3
Libreria cuDNN	Sviluppatore NVIDIA	Compatibile con CUDA 11.3
Cluster di workstation GPU (formazione)	Scuola di Informatica Amrita	—
Stazione di lavoro locale (nodo nebbia)	Scuola di Informatica Amrita	—
Matplotlib	matplotlib.org	Versione 3.3+
NVIDIA Jetson Nano (dispositivo periferico)	NVIDIA	945-13450-0000-100
GPU NVIDIA RTX 3060 (stazione di lavoro)	NVIDIA	Varia in base al produttore
NumPy	numpy.org	Versione 1.19+
OpenCV	OpenCV.org	Versione 4.5+
Panda	pandas.pydata.org	Versione 1.1+
Pitone	Fondazione del software Python	Versione 3.8+
PyTorch	PyTorch (https://pytorch.org)	Versione 1.10+
Scikit-learn	scikit-learn.org	Versione 0.24+
Ubuntu Linux (sistema operativo)	Canonical Ltd.	Versione 20.04 LTS