[논문 리뷰] Accident Forecasting in CCTV Traffic Camera Videos.

Ankit Shah, Jean-Baptiste Lamare외 2명|arXiv (Cornell University)|2018. 09. 16.

Traffic Prediction and Management Techniques인용 수 3

한 줄 요약

이 논문은 CCTV 영상에서의 교통사고 예측을 위한 새로운 데이터셋을 소개하며, Faster R-CNN과 통합된 맥락 마이닝(Context Mining, CM) 및 확장 맥락 마이닝(Augmented Context Mining, ACM)을 통해 소형 보행자 탐지의 과제를 해결한다. 이 방법은 CM을 통해 +8.51% 향상되고, ACM을 통해 +6.20% 향상되어, 사고 예측을 위한 Accident LSTM 아키텍처를 사용하여 1.684초의 Time-To-Accident와 47.25%의 평균 정밀도(Average Precision)를 달성한다.

ABSTRACT

This paper presents a novel dataset for traffic accidents analysis. Our goal is to resolve the lack of public data for research about automatic spatio-temporal annotations for traffic safety in the roads. Through the analysis of the proposed dataset, we observed a significant degradation of object detection in pedestrian category in our dataset, due to the object sizes and complexity of the scenes. To this end, we propose to integrate contextual information into conventional Faster R-CNN using Context Mining (CM) and Augmented Context Mining (ACM) to complement the accuracy for small pedestrian detection. Our experiments indicate a considerable improvement in object detection accuracy: +8.51% for CM and +6.20% for ACM. Finally, we demonstrate the performance of accident forecasting in our dataset using Faster R-CNN and an Accident LSTM architecture. We achieved an average of 1.684 seconds in terms of Time-To-Accident measure with an Average Precision of 47.25%. Our Webpage for the paper is this https URL

연구 동기 및 목표

• CCTV 영상에서의 교통사고 분석을 위한 공개 가능하고 시공간적으로 주석이付けられた 데이터셋의 부족 문제를 해결하기 위해.
• 실생활 교통 환경에서의 소형 객체 크기와 환경의 복잡성으로 인한 보행자 탐지 정확도 저하 문제를 조사하기 위해.
• 맥락 마이닝(Context Mining, CM) 및 확장 맥락 마이닝(Augmented Context Mining, ACM)을 활용해 Faster R-CNN에 맥락 정보를 통합하여 소형 보행자 탐지 성능을 향상시키기 위해.
• 제안된 데이터셋을 기반으로 Faster R-CNN과 사고 예측 LSTM(Accident LSTM) 아키텍처를 결합하여 사고 예측 시스템을 개발하고 평가하기 위해.
• Time-To-Accident 및 평균 정밀도(Average Precision) 지표를 사용하여 사고 예측 성능을 정량화하기 위해.

제안 방법

• CCTV 교통 카메라 영상에서 수집한 새로운 데이터셋을 제안하며, 사고 분석을 위한 시공간 정보 주석을 부여한다.
• 이미지의 주변 영역에서 맥락 특징을 집계함으로써 특징 표현을 향상시키기 위해 맥락 마이닝(Context Mining, CM)을 적용한다.
• 데이터 증강 기법을 통해 CM의 성능을 향상시켜 소형 보행자 인스턴스에 대한 내성 강도를 높이는 확장 맥락 마이닝(Augmented Context Mining, ACM)을 도입한다.
• CM 및 ACM을 Faster R-CNN 프레임워크에 통합하여 소형 및 복잡한 보행자 객체의 탐지 성능을 향상시킨다.
• 객체 탐지 결과의 시간적 의존성을 모델링하기 위해 사고 예측 LSTM(Accident LSTM) 아키텍처를 활용한다.
• 예측 성능 평가를 위해 Time-To-Accident(TTA) 및 평균 정밀도(AP)를 평가 지표로 사용한다.

실험 결과

연구 질문

• RQ1 실생활 CCTV 교통 영상에서 소형 보행자에 대한 객체 탐지 성능은 어떻게 저하되는가?
• RQ2 맥락 마이닝(Context Mining, CM)은 복잡한 교통 환경에서 소형 보행자 탐지 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 맥락 마이닝(Context Mining, CM)에 비해 확장 맥락 마이닝(Augmented Context Mining, ACM)이 탐지 성능을 추가로 향상시킬 수 있는가?
• RQ4 제안된 시스템의 사고 예측 성능은 Time-To-Accident 및 평균 정밀도 측면에서 어떻게 되는가?
• RQ5 Faster R-CNN과 사고 예측 LSTM의 통합은 CCTV 영상 시퀀스에서 교통사고를 예측하는 데 얼마나 효과적인가?

주요 결과

• 제안된 데이터셋은 소형 객체 크기와 환경의 복잡성으로 인해 보행자 탐지 정확도가 크게 저하됨을 드러낸다.
• 맥락 마이닝(Context Mining, CM)은 기준 Faster R-CNN 대비 보행자 탐지 정확도를 8.51% 향상시킨다.
• 확장 맥락 마이닝(Augmented Context Mining, ACM)은 기준 Faster R-CNN 대비 탐지 정확도를 6.20% 향상시킨다.
• 사고 예측 시스템은 1.684초의 Time-To-Accident를 기록하여 조기 경고 기능을 보여준다.
• 시스템은 사고 예측에서 평균 정밀도 47.25%를 달성하여 중간 정도이지만 의미 있는 예측 성능을 보인다.
• CM 및 ACM을 통한 맥락 특징 통합은 혼잡한 교통 환경에서 소형 보행자에 대한 탐지 신뢰도를 크게 향상시킨다.