감시 비디오에서 감독되지 않은 교통 사고 감지를 위한 적대적 훈련이 포함된 듀얼 인코더-디코더-인코더

Summary

이 작업은 자동화된 교통 사고 감지를 위한 이중 인코더-디코더-인코더(EDE) 모델을 제안합니다. 2단계 훈련 방법을 사용하여 정상적인 운전 패턴을 학습하고 생성적 대결을 통해 이상 징후를 식별합니다. 이 모델은 실제 영상에서 사고를 효과적으로 감지하고 미묘한 편차를 포착하여 운전자 행동에 대한 통찰력을 제공합니다.

Abstract

도로 안전을 강화하고 비상 대응을 개선하려면 실제 감시 영상에서 교통 사고를 가능한 한 빨리 감지해야 합니다. 기존 시스템은 수동 모니터링에 크게 의존하므로 시간이 많이 걸리고 오류가 발생하기 쉽습니다. 자동 사고 감지는 정상적인 운전 상황이 과도하게 대표되는 반면 사고는 드물고 다양하기 때문에 상당한 계급 불균형으로 인해 여전히 어려운 과제로 남아 있습니다. 이러한 경우 기존 컴퓨터 비전 시스템은 정상 이벤트와 비정상 이벤트를 안정적으로 구별할 수 없는 경우가 많습니다. 본 연구는 듀얼 인코더-디코더-인코더(EDE) 프레임워크를 기반으로 딥러닝 아키텍처를 개발하여 문제를 해결한다. 이 모델은 두 개의 공유 인코더-디코더 파이프라인을 사용하여 이미지 분포를 양방향의 지정된 잠재 분포에 매핑합니다. 이 프레임워크를 통해 시스템은 일반적인 교통 행동 패턴을 모델링하고 위험하거나 비정상적인 이벤트를 나타낼 수 있는 변화에 더욱 민감해질 수 있습니다. 이상 탐지를 더욱 개선하기 위해 2단계 훈련 기술이 제안됩니다. 첫 번째 단계에서 모델은 정상적인 행동을 특성화하기 위해 재구성 손실을 사용하여 정상적인 운전 이미지를 재구성하는 방법을 학습합니다. 두 번째 단계에서는 생성적 적대적 메커니즘이 도입됩니다: 한 EDE에서 재구성된 잠재 벡터가 다른 EDE로 전달되어 합성 이미지와 잠재 공간을 생성합니다. 이 프로세스는 실제 출력과 합성 출력 간의 차이를 증폭시켜 시스템이 잠재적인 이상 징후의 미묘한 징후에 더 잘 반응하도록 합니다. 이중 EDE 아키텍처와 적대적 훈련 방법론은 정상 및 병리학적 행동을 모두 모델링함으로써 현재 방법에 비해 상당한 발전을 나타냅니다. 실제 교통 감시 데이터 세트에 대한 실험 결과는 제안된 방법이 정확성과 견고성 측면에서 사고 및 안전하지 않은 운전 행동의 감지를 크게 향상시키는 것을 보여줍니다.

Introduction

세계보건기구(WHO)(2023)에 따르면 도로 교통 부상은 5-29세 어린이와 청소년의 주요 사망 원인이며, 매년 전 세계적으로 약 130만 명의 사망자가 보고됩니다. 이 놀라운 통계는^{도로 교통을} 모니터링하고1, 실시간으로 이상 징후를 감지하고, 비상 대응 지연을 줄일 수 있는 자동화 시스템의 시급한 필요성을 강조합니다. 인공지능(AI)과 사물인터넷(IoT)을 스마트시티 인프라에 통합함으로써 지능형 교통 시스템의 개발이 가능해졌습니다. 폐쇄회로 텔레비전(CCTV)^2,3 네트워크는 도시 교통에 대한 지속적인 감시를 제공하지만 수동 모니터링은 비실용적이고 오류가 발생하기 쉽습니다. 따라서 교통 사고 감지를 위한 확장 가능한 자동화된 솔루션이 필수적입니다.

차량 감지, 추적 및 행동 분류와 같은 교통 분석을 위한 전통적인 컴퓨터 비전 방법은 종종 지도 학습을 통해 훈련된 컨볼루션 신경망(CNN)을 사용합니다 ^4,5. 이러한 시스템에는 주석....

Protocol

체계

설치
우리는 제안된 트래픽 이상 탐지 시스템을 계층적 분산 컴퓨팅 프레임워크 내에 배포하여 인텔 Tiber Cloud 환경을 활용했습니다. 이 아키텍처는 엣지, 포그, 클라우드의 세 가지 계층으로 구성되어 컴퓨팅 노드 전반에 걸쳐 짧은 대기 시간 추론, 확장 가능한 학습 및 효율적인 리소스 할당을 보장합니다.

엣지 계층: 실시간 이상 탐지는 경량의 GPU 지원 임베디드 디바이스(예: NVIDIA Jetson Nano 또는 GPU가 통합된 동급의 Intel 기반 플랫폼)를 사용하여 엣지에서 수행됩니다. 이러한 장치는 감시 카메라와 함께 배치되었으며 대기 시간을 최소화하면서 프레임별 추론을 실행하여 분산되고 반응성이 뛰어난 교통 모니터링을 가능하게 했습니다.

안개 계층: 배치 추론 및 실시간 모델 개선을 포함하여 컴퓨팅 집약적인 작업이 더 많은 작업은 인텔 Tiber Cloud 내에서 전용 가상 머신 또는 베어메탈 인스턴스로 프로비저닝된 포그 노드에 의해 처리되었습니다. 각 포그 노드는 최소 16GB RAM이 있는 Intel Xeon 프로세서로 구성되었으며 Intel 통합 또는 개별 GPU ....

Results

제안된 교통 이상 탐지 방법의 효율성을 평가하기 위해 단일 비디오 클립에 모델을 구현하고 시간 경과에 따른 기능 공간 내에서 시스템의 동작을 보여주는 시각화를 생성했습니다. 시뮬레이션된 EDE 파이프라인을 사용하여 얻었지만 결과는 실제 모델에서 예상되는 정성적 결론을 밀접하게 반영합니다.

이상 점수 타임라인은 비정상적인 발생을 식별하는 데 있어 모델의 프레임별 신뢰도를 나타냅니다(그림 6). 이상 징후 점수의 피크는 갑작스러운 움직임이나 시각적 왜곡과 같은 이미지 역학의 급격한 변화에 해당하며, 이는 차량 충돌이나 급격한 감속과 같은 실제 사건과 유사합니다. 초기 프레임은 상대적으로 낮은 점수를 보여 원활한 교통 흐름을 나타냅니다. 타임라인에서 눈에 띄는 피크는 잠재적인 트래픽 이상 현상을 암시하며, 이는 정성적 이미지 출력에서 추가로 조사됩니다. 프레임 수준 편차 신호를 활용하여 시스템은 정상 패턴과 비정상 패턴을 효과적으로.......

Discussion

이 연구는 실제 감시 비디오에서 단일 및 다중 차량 사고를 모두 식별하기 위해 감독되지 않은 방식으로 훈련된 EDE 아키텍처를 사용하는 딥 러닝 기반 교통 이상 감지 시스템을 제시합니다. 일반적인 교통 행동을 모델링함으로써 시스템은 레이블이 지정된 이상 데이터 없이도 편차를 가능한 이상 징후로 감지하여 지능형 교통 모니터링의 확장성 및 데이터 희소성 문제를 해결합니다. 이 연구는 효과적인 시공간 이상 식별을 위해 잠재공간 일관성과 재구성 손실을 결합하여 이 분야를 발전시킵니다.

제한:
이중 EDE 모델은 강력한 성능을 보여주지만 투명성을 보장하고 향후 개발을 알리기 위해 특정 제약 조건을 인식해야 합니다.

입력 양식 제.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
AI 시티 챌린지 트랙 4 데이터 세트	AI 시티 챌린지 (https://www.aicitychallenge.org)	트랙 4, 2021년 발매
CUDA 툴킷	NVIDIA 개발자	버전 11.3
cuDNN 라이브러리	NVIDIA 개발자	CUDA 11.3과 호환 가능
GPU 워크스테이션 클러스터(학습)	암리타 컴퓨팅 스쿨	—
로컬 워크스테이션(안개 노드)	암리타 컴퓨팅 스쿨	—
매트로립	matplotlib.org	버전 3.3+
NVIDIA Jetson Nano(에지 장치)	엔비디아	945-13450-0000-100
NVIDIA RTX 3060 GPU(워크스테이션)	엔비디아	제조업체에 따라 다름
넘파이	numpy.org	버전 1.19+
오픈CV	OpenCV.org	버전 4.5+
팬더	pandas.pydata.org	버전 1.1+
파이썬	파이썬 소프트웨어 재단	버전 3.8+
파이토치	파이토치 (https://pytorch.org)	버전 1.10+
시킷 학습	scikit-learn.org	버전 0.24+
Ubuntu Linux(운영 체제)	캐노니컬 주식회사	버전 20.04 LTS