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。
![cfe0ab4d4fb0a3910691cd773a14ebac.jpeg](https://i-blog.csdnimg.cn/blog_migrate/ede4cba357c451e100630fa11a5c44ec.jpeg)
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。
![6e61069ea7c7c296f351deac3c74ae61.jpeg](https://i-blog.csdnimg.cn/blog_migrate/88309691ed29b2d1e9932c77d96ca9d8.jpeg)
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~