综述-交通领域如何构建基于图深度学习模型

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

本文来源：知乎

前几天arXiv上传论文“How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey”，其中也涉及自动驾驶部分。

深度学习已经在交通领域的问题得到不错的应用，主要是时域和空域的相关性方面遇到的挑战。相比CNN，GNN明显更合适建模空域相关性。

交通领域的问题可以分为如下几个领域：交通堵塞、交通需求、交通安全、交通监控和自动驾驶等，而对应的研究方向有状态预测、需求预测、信号控制、驾驶员行为分类、事故检测和车辆检测等。

交通挑战性包括空域相关、时域相关和外部因素（天气、事故和节假日）三个。而对应的GNN技术包括如图列出的模型，如GAN、GCN、GAT、RNN、LSTM、GRU和MLP等。

根据交通基建，交通数据分为四类：道路网络的传感器数据、车载GPS轨迹、铁路系统的订单和地铁/公交系统的交易记录。

如图所示，基于交通数据图架构的构建过程：

• 1）在传感器图中，传感器代表节点，并且道路同一侧的相邻传感器之间有一条边连接。传感器特征是自己矫正的交通测量。

• 2）在路段图中，路段代表节点，两个相连路段有边连接。在传感器数据集中，路段特征是路段上所有传感器记录的路况平均测量值（例如，行车速度）。在GPS数据集中，每个路段特征是该路段上所有GPS点记录的路况平均测量值。

• 3）在道路交叉点图中，道路交叉点表示节点，由路段连接的两个道路交叉点具有边连接。路段特征是通过路段交通量的总和。大多数方法将边缘方向视为交通流方向，而有些方法则构造无向图。

如图是GNN的一般结构，包括两种层：聚合层和非线性变换层。

如表是文章提到的SEQ2SEQ的编码-解码架构类。

面临的几个挑战问题中，空域相关性涉及空间局部性、多重关系和全局连通性等，时域相关性涉及多时间尺度和不同权重问题，时空相关性涉及时空交互性，外部因素涉及多个因素的一键编码（one-hot encoding）。

这是一些开源数据。

这是一些开源代码。

好消息！

小白学视觉知识星球

开始面向外开放啦👇👇👇

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。


下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。


下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。


交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~