[논문 리뷰] Good Practices and A Strong Baseline for Traffic Anomaly Detection

Yu‐Xiang Zhao, Wenhao Wu외 4명|arXiv (Cornell University)|2021. 05. 09.

Anomaly Detection Techniques and Applications참고 문헌 46인용 수 6

한 줄 요약

이 논문은 영상 정합, 배경 모델링, 차량 검출을 사전 처리로 통합하는 수작업으로 구성된 계층적 프레임워크를 제안한다. 이는 운동 패턴과 시공간 분석에 기반한 동적 트래킹을 통해 이물질 발생 시간을 특정하고, 경계 정밀화를 위한 사후 처리를 적용한다. 이 방법은 최신 기술 수준의 성능을 달성하여 NVIDIA AI CITY 2021 Track 4 도전 대회에서 95.24%의 F1 스코어와 5.3080의 RMSE로 1위를 기록했으며, 데이터가 적은 환경에서 엔지니어링된 사전 지식의 효과를 입증한다.

ABSTRACT

The detection of traffic anomalies is a critical component of the intelligent city transportation management system. Previous works have proposed a variety of notable insights and taken a step forward in this field, however, dealing with the complex traffic environment remains a challenge. Moreover, the lack of high-quality data and the complexity of the traffic scene, motivate us to study this problem from a hand-crafted perspective. In this paper, we propose a straightforward and efficient framework that includes pre-processing, a dynamic track module, and post-processing. With video stabilization, background modeling, and vehicle detection, the pro-processing phase aims to generate candidate anomalies. The dynamic tracking module seeks and locates the start time of anomalies by utilizing vehicle motion patterns and spatiotemporal status. Finally, we use post-processing to fine-tune the temporal boundary of anomalies. Not surprisingly, our proposed framework was ranked $1^{st}$ in the NVIDIA AI CITY 2021 leaderboard for traffic anomaly detection. The code is available at: https://github.com/Endeavour10020/AICity2021-Anomaly-Detection .

연구 동기 및 목표

• 학습 데이터가 제한된 복잡한 도시 환경에서 엔드 투 엔드 딥 러닝 모델이 성능을 저하시키는 낮은 데이터 환경에서 교통 이방성 탐지 문제를 해결하기 위해.
• 딥 러닝에만 의존하지 않고 인간의 사전 지식에 기반한 강력하고 해석 가능한 프레임워크를 개발하기 위해.
• 체계적인 사후 처리를 통해 탐지 경계를 정밀화하여 이방성의 시간적 국소화 정확도를 향상시키기 위해.
• 실용적인 수작업 기반 기법을 사용하여 향후 교통 이방성 탐지 연구를 위한 강력하고 재현 가능한 기준선을 설정하기 위해.

제안 방법

• 사전 처리는 광학 흐름을 사용한 영상 정합, MOG2를 통한 배경 모델링, YOLOv5를 활용한 차량 검출을 통해 후보 이방성을 생성한다.
• 동적 트래킹 모듈은 차량 운동 패턴, 시공간 일관성, 궤적 기반 마스크를 분석하여 이방성 발생 시간을 식별한다.
• 연속된 프레임에 대한 임계값을 적용한 다단계 상태 전이 모델을 활용하여 차량 상태를 정상, 의심스러움, 비정상으로 분류한다.
• IoU, PSNR 및 색상 히스토GRAM 임계값을 사용하여 사후 처리로 시간 경계를 정밀화함으로써 가짜 경고를 줄이고 국소화 정확도를 향상시킨다.
• 공간적 및 강도 변화 임계값을 사용한 차량 충돌 검출을 통해 이방성에 대한 추가 검증을 수행한다.
• 다중 궤적 간 일관된 이방성 트랙을 통합하기 위해 인터 튜브 융합 및 인트라 튜브 유사도 검사(SIM 및 PSNR 사용)를 적용한다.

실험 결과

연구 질문

• RQ1 학습 데이터가 극도로 제한된 상황에서 엔드 투 엔드가 아닌 수작업 기반 프레임워크가 딥 러닝 기반 기준선을 능가할 수 있는가?
• RQ2 영상 정합과 배경 모델링은 카메라 진동과 동적 배경으로 인한 가짜 경고를 얼마나 효과적으로 줄일 수 있는가?
• RQ3 운동 패턴 분석과 시공간 일관성은 이방성 발생 시간 국소화 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 사후 처리 정밀화는 시간 경계 오차를 얼마나 줄이고 F1 스코어를 향상시키는 데 기여하는가?
• RQ5 인간이 설계한 사전 지식을 기반으로 한 모듈식이고 계층적인 설계는 향후 이방성 탐지 연구를 위한 강력하고 재현 가능한 기준선이 될 수 있는가?

주요 결과

• 제안된 프레임워크는 NVIDIA AI CITY 2021 Track 4 테스트 세트에서 95.24%의 F1 스코어를 기록하여 다른 방법들보다 뚜렷이 뛰어난 성능을 보였다.
• 낮은 제곱근 평균 제곱 오차(RMSE) 5.3080초를 기록하여 높은 시간 국소화 정확도를 입증했다.
• 최종 S4 스코어 0.9355를 기록하여 대회에서 전체 1위를 차지했으며, 모든 다른 팀을 압도했다.
• 영상 정합과 운동 기반 배경 모델링의 활용으로 카메라 운동과 환경 노이즈로 인한 가짜 경고가 감소했다.
• IoU, PSNR 및 색상 히스토GRAM 임계값을 활용한 사후 처리가 경계 오차를 효과적으로 줄이고 탐지 정확도를 향상시켰다.
• 다양한 카메라 각도와 교통 조건에서의 프레임워크의 강건성은 실제 환경에서의 일반화 능력을 입증했다.