论文总结
论文总结 - Vision-based vehicle behaviour analysis: a structured learning approach via convolutional neural networks
1 论文信息
-
期刊:IET Intelligent Transport Systems
-
年限:2020年
-
作者:Luntian Mou, Haitao Xie, Shasha Mao, Pengfei Zhao, Yanyan Chen
2 背景信息
车辆行为分析是对道路环境的更高级语义解释,目的是通过增强车辆或监控设备感知道路环境的能力来提高交通效率和减少交通事故。因此,利用车辆行为分析技术来改善现有的智能交通系统是极其重要的。基于视觉的车辆行为分析正处于初级阶段,尤其是与车辆检测和跟踪相比,这是智能交通研究的一个持续挑战。 对于车辆行为分析,典型的研究侧重于使用基于视觉感知机制的自下而上的方法来实现对道路上车辆的语义解释。一般底层利用外观、尺寸、运动等特征来检测和定位道路车辆;中层在车辆跟踪中应用数据关联、时间一致性和过滤;高层致力于通过聚集空间和时间特征来学习、建模、分类和预测车辆行为。在过去的十年中,在基于视觉的车辆行为分析任务中有大量的研究和开发工作,最经典的方法之一是基于跟踪轨迹的车辆行为分析。具体来说,首先跟踪车辆轨迹,然后将其作为样本放入分类器。为每个行为轨迹分配一个离散标签,传统的神经网络分类器直接用于训练与分类。虽然这些方法在车辆行为趋势的分类方面取得了显著的结果,但是在某些行为过程中的不同程度被忽略了,此外,这些方法还使车辆行为分析和车辆跟踪看起来是不可分割的,但是事实并非如此。 论文基于车辆图像同时给出了瞬时车辆行为状态的结构分析,包括行为趋势和程度,其中它只需要检测和定位车辆而不需要跟踪。受结构化学习的启发,作者认为转弯角度的程度代表了转弯行为发生的程度,因此设计了结构化标签,其中具有不同弯曲角度的曲线代表转弯行为,直线代表直行行为。考虑到卷积神经网络(CNNs)在学习原始图像的表示和表达性地捕捉输入图像和结构化标签注释之间的复杂和非线性关系方面的强大能力,作者提出了一个具有结构化标签的结构化CNN模型,命名为结构化CNN(SCNN)。 在车辆行为分析中,给曲线贴标签非常费时费力。因此,获得大量用于学习权重参数的训练例子是昂贵的。开发能够在训练数据有限的情况下对未知的图像做出准确预测的深度神经网络学习方法至关重要。为了解决这个问题,作者提出了一个防止过拟合的DNN (OPDNN),它利用诸如转移学习、多任务学习、重加权、金字塔架构等方法来有效地结合更多的数据,以降低过拟合的风险,并改善未知图像的生成。3 论文贡献
-
在SCNN模型的基础上,提出了一种对小样本数据集具有更高鲁棒性的鲁棒车辆行为结构分析模型,称为OPDNN。
-
在OPDNN中,迁移学习用于从外部图像数据集(如ImageNet)中学习强大的视觉特征提取器,这有助于缓解论文本身数据集的数据不足问题。
-
在OPDNN中,多任务学习框架被设计为联合学习两个任务:一个是用离散标签预测行为趋势的类别,另一个是用结构化标签预测代表转弯角度的详细转弯曲线。
-
由于结构化标签的复杂性,利用金字塔架构和重加权,使OPDNN能够更好地处理结构化标签中的细粒度信息。