論文の概要: Accident Anticipation via Temporal Occurrence Prediction

• arxiv url: http://arxiv.org/abs/2510.22260v1
• Date: Sat, 25 Oct 2025 11:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.006887
• Title: Accident Anticipation via Temporal Occurrence Prediction
• Title（参考訳）: 時間的発生予測による事故予知
• Authors: Tianhao Zhao, Yiyang Zou, Zihao Mao, Peilun Xiao, Yulin Huang, Hongda Yang, Yuxuan Li, Qun Li, Guobin Wu, Yutian Lin,
• Abstract要約: 事故予測は、潜在的な衝突をオンラインで予測することを目的としており、タイムリーな警報によって道路の安全性を高めることができる。 既存の手法では、リスクの指標としてフレームレベルのリスクスコアを予測するのが一般的である。 本稿では,予測対象を現在のフレームリスクスコアから,将来の複数段階における事故スコアを直接推定するパラダイムを提案する。
• 参考スコア（独自算出の注目度）: 15.813749445439292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accident anticipation aims to predict potential collisions in an online manner, enabling timely alerts to enhance road safety. Existing methods typically predict frame-level risk scores as indicators of hazard. However, these approaches rely on ambiguous binary supervision (labeling all frames in accident videos as positive) despite the fact that risk varies continuously over time, leading to unreliable learning and false alarms. To address this, we propose a novel paradigm that shifts the prediction target from current-frame risk scoring to directly estimating accident scores at multiple future time steps (e.g., 0.1s-2.0s ahead), leveraging precisely annotated accident timestamps as supervision. Our method employs a snippet-level encoder to jointly model spatial and temporal dynamics, and a Transformer-based temporal decoder that predicts accident scores for all future horizons simultaneously using dedicated temporal queries. Furthermore, we introduce a refined evaluation protocol that reports Time-to-Accident (TTA) and recall (evaluated at multiple pre-accident intervals (0.5s, 1.0s, and 1.5s)) only when the false alarm rate (FAR) remains within an acceptable range, ensuring practical relevance. Experiments show that our method achieves superior performance in both recall and TTA under realistic FAR constraints.
• Abstract（参考訳）: 事故予測は、潜在的な衝突をオンラインで予測することを目的としており、タイムリーな警報によって道路の安全性を高めることができる。 既存の手法では、リスクの指標としてフレームレベルのリスクスコアを予測するのが一般的である。 しかしながら、これらのアプローチは、リスクは時間とともに継続的に変化し、信頼性の低い学習や誤報につながるにもかかわらず、曖昧なバイナリ監視(事故ビデオのすべてのフレームを肯定的なものとしてラベル付けする)に依存している。 そこで本研究では,予測対象を現行のリスクスコアから,複数の将来の時間ステップ(例えば0.1秒～2.0秒前)における事故スコアを直接推定するパラダイムを提案し,正確な注釈付き事故タイムスタンプを監督として活用する。 提案手法では,スニペットレベルのエンコーダを用いて,空間的および時間的ダイナミクスを協調的にモデル化する。 さらに、誤報率(FAR)が許容範囲内に留まっている場合にのみ、TTA(Time-to-Accident)とリコール(複数の事故前間隔(0.5s、1.0s、1.5s)を報告し、実用的な妥当性を確保するための洗練された評価プロトコルを導入する。 実験により,本手法は現実的なFAR制約下で,リコールとTTAの両方で優れた性能を発揮することが示された。

関連論文リスト

• Anomalous Decision Discovery using Inverse Reinforcement Learning [3.3675535571071746]
  異常検出は、知覚システムを通じて異常な行動を特定することによって、自律走行車(AV)において重要な役割を果たす。 現在のアプローチは、しばしば定義済みのしきい値や教師付き学習パラダイムに依存するが、目に見えないシナリオに直面すると効果が低下する。 異常検出のための新しいIRLフレームワークである Trajectory-Reward Guided Adaptive Pre-training (TRAP) を提案する。
  論文  参考訳（メタデータ） (2025-07-06T17:01:02Z)
• A new machine learning framework for occupational accidents forecasting with safety inspections integration [0.9562145896371785]
  本稿では,安全検査および事故発生をバイナリ時系列としてモデル化した,短期的事故予測のための総合的枠組みを提案する。 提案手法は,日常的な安全検査データを明確な週間リスクスコアに変換し,事故の可能性が最も高い時期を検出する。
  論文  参考訳（メタデータ） (2025-06-30T09:28:11Z)
• Real-time Traffic Accident Anticipation with Feature Reuse [2.9803250365852443]
  本稿では,1つの事前学習対象検出器の中間機能を利用する軽量なフレームワークを提案する。 RAREは、DADとCDベンチマークの既存のアプローチよりも4～8倍のスピードアップを実現している。 複雑さが減ったにもかかわらず、最先端の平均精度を達成し、瞬時に衝突を確実に予測する。
  論文  参考訳（メタデータ） (2025-05-23T04:09:26Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
  本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。 我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-12-19T11:43:02Z)
• Sample-Efficient Safety Assurances using Conformal Prediction [57.92013073974406]
  早期警戒システムは、安全でない状況が差し迫ったときに警告を提供することができる。 安全性を確実に向上させるためには、これらの警告システムは証明可能な偽陰性率を持つべきである。 本稿では,共形予測と呼ばれる統計的推論手法とロボット・環境力学シミュレータを組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-28T23:00:30Z)
• Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal Relational Learning [30.59728753059457]
  交通事故予測は、できるだけ早くダッシュカムビデオから事故を予測することを目的としている。 現在の決定論的ディープニューラルネットワークは、誤った予測では過信される可能性がある。 本稿では,関係時間学習を用いた不確実性に基づく事故予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-01T20:21:48Z)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)
• Global Feature Aggregation for Accident Anticipation [8.57961305383434]
  本稿では,フレーム内の全てのオブジェクトの特徴の重み付け和を計算することで,各オブジェクトの特徴を洗練させる新しい特徴集約(FA)ブロックを提案する。 FAブロックとLong Short Term Memory (LSTM) ネットワークを併用して,ビデオシーケンスにおける事故の予測を行う。
  論文  参考訳（メタデータ） (2020-06-16T06:17:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。