Codificador-Decodificador-Codificador Duplo com Treinamento Contraditório para Detecção de Acidentes de Trânsito Não Supervisionados em Vídeos de Vigilância

Summary

Este trabalho propõe um modelo duplo codificador-decodificador-codificador (EDE) para detecção automatizada de acidentes de trânsito. Usando um método de treinamento em duas fases, ele aprende padrões normais de direção e identifica anomalias por meio de confronto generativo. O modelo detecta efetivamente acidentes em imagens do mundo real e oferece informações sobre o comportamento do motorista, capturando desvios sutis.

Abstract

Para aumentar a segurança rodoviária e melhorar a resposta a emergências, os incidentes de trânsito devem ser detectados em imagens de vigilância do mundo real o mais rápido possível. Os sistemas existentes dependem em grande parte do monitoramento manual, que é demorado e propenso a erros. A detecção automatizada de acidentes continua sendo um desafio devido ao grande desequilíbrio de classe: as situações normais de direção estão super-representadas, enquanto os acidentes são raros e diversos. Nesses casos, os sistemas tradicionais de visão computacional geralmente não conseguem diferenciar de forma confiável entre eventos normais e anormais. Este estudo aborda o problema desenvolvendo uma arquitetura de aprendizado profundo baseada em uma estrutura dupla de codificador-decodificador-codificador (EDE). O modelo usa dois pipelines de codificador-decodificador compartilhados para mapear distribuições de imagem para distribuições latentes especificadas em ambas as direções. Essa estrutura permite que o sistema modele padrões comuns de comportamento do tráfego e se torne mais sensível a alterações que podem indicar eventos perigosos ou incomuns. Uma técnica de treinamento em duas fases é proposta para melhorar ainda mais a detecção de anomalias. Na primeira fase, o modelo aprende a reconstruir imagens de condução normal, usando a perda de reconstrução para caracterizar o comportamento normal. Na segunda fase, é introduzido um mecanismo contraditório generativo: vetores latentes reconstruídos de um EDE são passados para o outro, gerando imagens sintéticas e espaços latentes. Esse processo amplifica as diferenças entre as saídas reais e sintéticas, tornando o sistema mais responsivo a sinais sutis de possíveis anomalias. A arquitetura de EDE duplo e a metodologia de treinamento contraditório representam um avanço substancial em relação aos métodos atuais, modelando o comportamento normal e patológico. Resultados experimentais em conjuntos de dados de vigilância de tráfego do mundo real demonstram que o método proposto melhora significativamente a detecção de acidentes e comportamentos de direção inseguros, tanto em termos de precisão quanto de robustez.

Introduction

De acordo com a Organização Mundial da Saúde (2023), as lesões no trânsito são a principal causa de morte entre crianças e jovens de 5 a 29 anos, com aproximadamente 1,3 milhão de mortes relatadas globalmente a cada ano. Essa estatística alarmante ressalta a necessidade urgente de sistemas automatizados capazes de monitorar o tráfego rodoviário¹, detectar anomalias em tempo real e reduzir atrasos na resposta a emergências. A integração da inteligência artificial (IA) e da Internet das Coisas (IoT) na infraestrutura da cidade inteligente permitiu o desenvolvimento de sistemas de transporte inteligentes. Enquanto....

Protocol

Sistema

Configuração
Implantamos o sistema de detecção de anomalias de tráfego proposto em uma estrutura de computação hierárquica e distribuída, aproveitando o ambiente Intel Tiber Cloud. Essa arquitetura compreende três camadas – borda, neblina e nuvem – para garantir inferência de baixa latência, treinamento escalável e alocação eficiente de recursos entre nós de computação.

Nível de borda: A detecção de anomalias em tempo real é realizada na borda usando dispositivos incorporados leves e compatíveis com GPU (por exemplo, NVIDIA Jetson Nano ou plataformas equivalentes baseadas em I....

Results

Para avaliar a eficácia do método de detecção de anomalias de tráfego proposto, implementamos o modelo em um único videoclipe e geramos visualizações ilustrando o comportamento do sistema ao longo do tempo e dentro do espaço de recursos. Embora obtidos usando um pipeline EDE simulado, os resultados refletem de perto as conclusões qualitativas que seriam esperadas de um modelo real.

A linha do tempo da pontuação de anomalias descreve a confiança quadro a quadro do modelo na identificação de oco.......

Discussion

Este estudo apresenta um sistema de detecção de anomalias de tráfego baseado em deep learning que emprega uma arquitetura EDE, treinado de maneira não supervisionada para identificar acidentes com um ou vários veículos em vídeos de vigilância do mundo real. Ao modelar o comportamento típico do tráfego, o sistema detecta desvios como prováveis anomalias sem exigir dados de anomalias rotulados, abordando assim os desafios de escalabilidade e dispersão de dados no monitoramento inteligente .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Conjunto de dados AI City Challenge Track 4	Desafio da Cidade da IA (https://www.aicitychallenge.org)	Faixa 4, versão de 2021
Kit de ferramentas CUDA	Desenvolvedor NVIDIA	Versão 11.3
Biblioteca cuDNN	Desenvolvedor NVIDIA	Compatível com CUDA 11.3
Cluster de estação de trabalho de GPU (treinamento)	Escola de Computação Amrita	—
Estação de trabalho local (nó de neblina)	Escola de Computação Amrita	—
Matplotlib	matplotlib.org	Versão 3.3+
NVIDIA Jetson Nano (dispositivo de borda)	NVIDIA	945-13450-0000-100
GPU NVIDIA RTX 3060 (estação de trabalho)	NVIDIA	Varia de acordo com o fabricante
NumPy	numpy.org	Versão 1.19+
OpenCV	OpenCV.org	Versão 4.5+
Pandas	pandas.pydata.org	Versão 1.1+
Pitão	Fundação de Software Python	Versão 3.8+
PyTorch	PyTorch (https://pytorch.org)	Versão 1.10+
Scikit-aprender	scikit-learn.org	Versão 0.24+
Ubuntu Linux (sistema operacional)	Canonical Ltda.	Versão 20.04 LTS