Research Article

Gözetim Videolarında Denetimsiz Trafik Kazası Tespiti için Çekişmeli Eğitim ile Çift Kodlayıcı-Kod Çözücü-Kodlayıcı

DOI:

10.3791/68731

⸱

September 5th, 2025

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

In This Article

Summary

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

Bu çalışma, otomatik trafik kazası tespiti için çift kodlayıcı-kod çözücü-kodlayıcı (EDE) modeli önermektedir. İki aşamalı bir eğitim yöntemi kullanarak, normal sürüş modellerini öğrenir ve üretken yüzleşme yoluyla anormallikleri tanımlar. Model, gerçek dünya görüntülerindeki kazaları etkili bir şekilde algılar ve ince sapmaları yakalayarak sürücü davranışlarına ilişkin içgörüler sunar.

Abstract

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

Yol güvenliğini artırmak ve acil durum müdahalesini iyileştirmek için, trafik olayları gerçek dünyadaki güvenlik kamerası görüntülerinde mümkün olan en kısa sürede tespit edilmelidir. Mevcut sistemler büyük ölçüde zaman alıcı ve hataya açık olan manuel izlemeye bağlıdır. Otomatik kaza tespiti, önemli sınıf dengesizliği nedeniyle zorlu olmaya devam ediyor: normal sürüş durumları aşırı temsil edilirken, kazalar nadir ve çeşitlidir. Bu gibi durumlarda, geleneksel bilgisayarla görme sistemleri genellikle normal ve anormal olaylar arasında güvenilir bir ayrım yapamaz. Bu çalışma, çift kodlayıcı-kod çözücü-kodlayıcı (EDE) çerçevesine dayalı bir derin öğrenme mimarisi geliştirerek sorunu ele almaktadır. Model, görüntü dağıtımlarını her iki yönde belirtilen gizli dağıtımlarla eşlemek için iki paylaşılan kodlayıcı-kod çözücü işlem hattı kullanır. Bu çerçeve, sistemin ortak trafik davranış kalıplarını modellemesini ve tehlikeli veya olağandışı olaylara işaret edebilecek değişikliklere karşı daha duyarlı hale gelmesini sağlar. Anomali tespitini daha da geliştirmek için iki aşamalı bir eğitim tekniği önerilmiştir. İlk aşamada, model, normal davranışı karakterize etmek için yeniden yapılandırma kaybını kullanarak normal sürüş görüntülerini yeniden yapılandırmayı öğrenir. İkinci aşamada, üretken bir çekişmeli mekanizma tanıtılır: bir EDE'den yeniden yapılandırılmış gizli vektörler diğerine geçirilir, sentetik görüntüler ve gizli boşluklar oluşturulur. Bu işlem, gerçek ve sentetik çıktılar arasındaki farkları artırarak, sistemi potansiyel anormalliklerin ince belirtilerine daha duyarlı hale getirir. Çift EDE mimarisi ve çekişmeli eğitim metodolojisi, hem normal hem de patolojik davranışı modelleyerek mevcut yöntemlere göre önemli bir ilerlemeyi temsil etmektedir. Gerçek dünya trafik gözetimi veri setleri üzerinde yapılan deneysel sonuçlar, önerilen yöntemin hem doğruluk hem de sağlamlık açısından kazaların ve güvenli olmayan sürüş davranışlarının tespitini önemli ölçüde iyileştirdiğini göstermektedir.

Introduction

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

Dünya Sağlık Örgütü'ne (2023) göre, karayolu trafik yaralanmaları 5-29 yaş arası çocuklar ve genç yetişkinler arasında önde gelen ölüm nedenidir ve her yıl dünya çapında yaklaşık 1,3 milyon ölüm bildirilmektedir. Bu endişe verici istatistik, karayolu trafiğini1 izleyebilen, anormallikleri gerçek zamanlı olarak tespit edebilen ve acil durum müdahalesindeki gecikmeleri azaltabilen otomatik sistemlere olan acil ihtiyacın altını çiziyor. Yapay zeka (AI) ve Nesnelerin İnterneti'nin (IoT) akıllı şehir altyapısına entegrasyonu, akıllı ulaşım sistemlerinin geliştirilmesini sağlamıştır. Kapalı devre televizyon (CCTV)

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

Protocol

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

Sistem

Kurulum
Önerilen trafik anormallik algılama sistemini, Intel Tiber Cloud ortamından yararlanarak hiyerarşik ve dağıtılmış bir bilgi işlem çerçevesi içinde devreye aldık. Bu mimari, düşük gecikmeli çıkarım, ölçeklenebilir eğitim ve bilgi işlem düğümleri arasında verimli kaynak tahsisi sağlamak için uç, sis ve bulut olmak üzere üç katmandan oluşur.

Edge Katmanı: Gerçek zamanlı anormallik algılama, hafif, GPU özellikli yerleşik cihazlar (ör. NVIDIA Jetson Nano veya entegre GPU'lara sahip eşdeğer Intel tabanlı platformlar) kullanılarak uçta gerçekleştirilir. Bu birimler, güvenlik k....

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

Results

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

Önerilen trafik anormalliği algılama yönteminin etkinliğini değerlendirmek için modeli tek bir video klip üzerinde uyguladık ve sistemin zaman içindeki davranışını ve özellik alanı içindeki davranışını gösteren görselleştirmeler oluşturduk. Simüle edilmiş bir EDE boru hattı kullanılarak elde edilmesine rağmen, sonuçlar gerçek bir modelden beklenebilecek nitel sonuçları yakından yansıtır.

Anomali skoru zaman çizelgesi, modelin olağandışı oluşumları belirleme konusundaki kare kare güvenini göste.......

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

Discussion

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

Bu çalışma, gerçek dünyadaki gözetim videolarında hem tek hem de çok araçlı kazaları tanımlamak için denetimsiz bir şekilde eğitilmiş, bir EDE mimarisi kullanan derin öğrenme tabanlı bir trafik anormallik tespit sistemi sunmaktadır. Sistem, tipik trafik davranışını modelleyerek, etiketlenmiş anormallik verilerine ihtiyaç duymadan sapmaları olası anormallikler olarak algılar ve böylece akıllı trafik izlemede ölçeklenebilirlik ve veri seyrekliği zorluklarını ele alır. Araştırma, etkili uza.......

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

Disclosures

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

Yazarlar herhangi bir çıkar çatışması beyan etmemektedir.

Acknowledgements

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

Bu araştırma hiçbir dış fon almadı. Yazarlar, bu çalışmanın yürütülmesinde gerekli donanımı ve paha biçilmez desteği sağladıkları için Hindistan'ın Coimbatore kentindeki Amrita School of Computing'e teşekkür eder.

....

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
AI City Challenge Track 4 Veri KümesiYapay Zeka Şehir Mücadelesi (https://www.aicitychallenge.org)Parça 4, 2021 Sürümü
CUDA Araç SetiNVIDIA GeliştiricisiSürüm 11.3
cuDNN KütüphanesiNVIDIA GeliştiricisiCUDA 11.3 ile uyumlu
GPU İş İstasyonu Kümesi (Eğitim)Amrita Bilgisayar Okulu—
Yerel İş İstasyonu (Sis Düğümü)Amrita Bilgisayar Okulu—
Matplotlibmatplotlib.orgSürüm 3.3+
NVIDIA Jetson Nano (Uç Cihaz)NVIDIA945-13450-0000-100
NVIDIA RTX 3060 GPU (İş İstasyonu)NVIDIAÜreticiye göre değişir
NumPynumpy.orgSürüm 1.19+
Açık CVOpenCV.orgSürüm 4.5+
Pandalarpandas.pydata.orgSürüm 1.1+
PitonPython Yazılım VakfıSürüm 3.8+
PyTorchPyTorch (https://pytorch.org)Sürüm 1.10+
Scikit-öğrenscikit-learn.orgSürüm 0.24+
Ubuntu Linux (İşletim Sistemi)Kanonik Ltd.Sürüm 20.04 LTS

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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).
  2. 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

Tags

Traffic Accident DetectionSurveillance VideosUnsupervised Anomaly DetectionDual Encoder DecoderAdversarial TrainingDeep Learning ArchitectureReconstruction LossGenerative Adversarial MechanismTraffic Behavior ModelingEmergency Response

Related Articles