論文の概要: VAGNet: Vision-based accident anticipation with global features

• arxiv url: http://arxiv.org/abs/2604.09305v1
• Date: Fri, 10 Apr 2026 13:13:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.874252
• Title: VAGNet: Vision-based accident anticipation with global features
• Title（参考訳）: VAGNet:グローバル機能を備えたビジョンベースの事故予測
• Authors: Vipooshan Vipulananthan, Charith D. Chitraranjan,
• Abstract要約: 事故予測は、ドライバーの警告や衝突回避操作によるタイムリーな介入を可能にする。 自律運転では、このような予測能力は、防衛運転の開始や人間の乗っ取りなど、積極的な安全行動をサポートする。 我々は,交通シーンのグローバルな特徴を利用して,ダッシュカムビデオから事故を予測するディープニューラルネットワークであるVAGNetを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic accidents are a leading cause of fatalities and injuries across the globe. Therefore, the ability to anticipate hazardous situations in advance is essential. Automated accident anticipation enables timely intervention through driver alerts and collision avoidance maneuvers, forming a key component of advanced driver assistance systems. In autonomous driving, such predictive capabilities support proactive safety behaviors, such as initiating defensive driving and human takeover when required. Using dashcam video as input offers a cost-effective solution, but it is challenging due to the complexity of real-world driving scenes. Accident anticipation systems need to operate in real-time. However, current methods involve extracting features from each detected object, which is computationally intensive. We propose VAGNet, a deep neural network that learns to predict accidents from dash-cam video using global features of traffic scenes without requiring explicit object-level features. The network consists of transformer and graph modules, and we use the vision foundation model VideoMAE-V2 for global feature extraction. Experiments on four benchmark datasets (DAD, DoTA, DADA, and Nexar) show that our method anticipates accidents with higher average precision and mean time-to-accident while being computationally more efficient compared to existing methods.
• Abstract（参考訳）: 交通事故は世界中の死者と負傷の主な原因である。 そのため、事前に危険状況を予知する能力が不可欠である。 自動事故予測は、ドライバーの警告や衝突回避操作によるタイムリーな介入を可能にし、先進運転支援システムの重要な構成要素を形成する。 自律運転では、このような予測能力は、必要に応じて防衛運転や人間の乗っ取りを開始するなど、積極的な安全行動をサポートする。 ダッシュカム動画を入力として使用すると、コスト効率が良いが、現実の運転シーンが複雑になるため、難しい。 事故予知システムはリアルタイムで動作する必要がある。 しかし、現在の手法では、検出された各オブジェクトから特徴を抽出する。 本稿では,交通シーンのグローバルな特徴を用いたダッシュカムビデオから事故の予測を,オブジェクトレベルの明示的な特徴を必要とせずに学習するディープニューラルネットワークであるVAGNetを提案する。 ネットワークはトランスフォーマーとグラフモジュールで構成されており,グローバルな特徴抽出にはビジョン基礎モデル VideoMAE-V2 を用いる。 4つのベンチマークデータセット (DAD, DoTA, DADA, Nexar) を用いた実験により, 従来の手法に比べて計算効率が良く, 平均精度が高く, 事故発生時間の平均が予測できることがわかった。

関連論文リスト

• STAGNet: A Spatio-Temporal Graph and LSTM Framework for Accident Anticipation [0.0]
  事故やタイムリーな警告は、道路利用者の怪我のリスクを低減し、財産被害を最小限に抑えることにより、道路安全を改善する上で重要な役割を担っている。 Advanced Driver Assistance Systems (ADAS)は、人間のドライバーを支援するように設計されており、事故が起こる前に潜在的な事故を予測できる場合に特に有用である。 多くの既存のシステムはLiDAR、レーダー、GPSなどのセンサーに依存しているが、ダッシュカムのビデオ入力のみに依存しているため、より困難だがコスト効率が高く、容易にデプロイできるソリューションが提示される。
  論文  参考訳（メタデータ） (2025-08-21T04:02:22Z)
• CRASH: Crash Recognition and Anticipation System Harnessing with Context-Aware and Temporal Focus Attentions [13.981748780317329]
  カメラ映像から周囲の交通機関の事故を正確にかつ迅速に予測することは、自動運転車(AV)の安全性に不可欠である 本研究は, CRASH と呼ばれる, AV の新たな事故予測フレームワークを提案する。 オブジェクト検出、特徴抽出、オブジェクト認識モジュール、コンテキスト認識モジュール、多層融合の5つのコンポーネントをシームレスに統合する。 私たちのモデルは、平均精度(AP)や平均到達時間(mTTA)といった重要な評価指標において、既存のトップベースラインを超えています。
  論文  参考訳（メタデータ） (2024-07-25T04:12:49Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• FBLNet: FeedBack Loop Network for Driver Attention Prediction [50.936478241688114]
  非客観的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。 本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。 提案モデルでは,既存の手法に対して強い優位性を示し,2つのドライバー注意ベンチマークデータセットの性能向上を実現している。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• TAD: A Large-Scale Benchmark for Traffic Accidents Detection from Video Surveillance [2.1076255329439304]
  既存の交通事故のデータセットは小規模で、監視カメラからではなく、オープンソースではない。 様々な次元による統合とアノテーションの後に,TADという大規模交通事故データセットが提案されている。
  論文  参考訳（メタデータ） (2022-09-26T03:00:50Z)
• DRIVE: Deep Reinforced Accident Anticipation with Visual Explanation [36.350348194248014]
  交通事故予測は、ダッシュカムビデオから将来の事故の発生を正確にかつ迅速に予測することを目的としている。 既存のアプローチは通常、将来の事故が起こる前に、空間的および時間的文脈の手がかりを捉えることに重点を置いている。 本稿では, DRIVE という視覚表現を用いた深部強化型事故予測手法を提案する。
  論文  参考訳（メタデータ） (2021-07-21T16:33:21Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• 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)
• Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
  本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。 本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
  論文  参考訳（メタデータ） (2020-06-20T11:56:32Z)

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。