利用 TimeSformer 探索时空关系学习，以识别交通事故的严重程度

《IEEE Transactions on Computational Social Systems》：Exploring Spatiotemporal Relational Learning With TimeSformer for Identifying the Severity of the Road Accidents

交通事故严重性预测研究提出Collision Chronicles数据集，结合TimeSformer时空特征提取、LSTM序列建模与多头注意力机制优化，并开发定制精度评估指标。创新性应用动态量化技术实现模型轻量化部署，同时扩展事故检测二分类任务。研究为实时事故分析与资源优化提供技术支撑。

　　

摘要：

道路交通事故是全球公共卫生的一个重大问题，每年导致数百万人死亡和受伤。在低收入和中等收入国家，这一负担尤为严重，印度的事故数量显著增加，这凸显了改进安全措施和应急响应系统的迫切需求。尽管计算机视觉和深度学习的最新进展已经实现了实时事故检测，但事故严重程度的预测仍大部分未被探索。本文介绍了一种新的事故严重程度预测任务，旨在提升应急响应并优化资源分配。我们提出了“Collision Chronicles”数据集，该数据集包含1500个带有注释的行车记录仪视频，专门用于严重程度分类。我们提出的架构结合了TimeSformer主干网络进行时空特征提取、双向长短期记忆（LSTM）进行序列建模以及多头注意力机制（MHA）进行上下文细化。我们还引入了一种自定义的准确性评估指标，该指标奖励符合上下文的预测结果，反映了事故严重程度的序数特性。此外，我们使用一个包含事故和非事故视频的平衡数据集将框架扩展到二元事故检测。为了支持边缘部署，我们采用了训练后动态量化技术，使模型大小减少了3.6倍，而不会影响预测准确性。这些贡献为实时事故分析、可扩展部署和主动的道路安全干预措施奠定了坚实的基础。

引言

道路交通事故仍然是全球公共卫生的一个重大问题，造成了大量的发病率和死亡率。每年约有119万人丧生，2000万至5000万人遭受非致命伤害，其中许多人因此导致长期残疾[1]。超过90%的死亡发生在低收入和中等收入国家，这突显了改进安全措施和高效应急响应系统的迫切需求。在印度，情况尤为严峻，道路交通事故急剧增加。根据公路运输和高速公路部的数据，2022年发生了461,312起交通事故，比2021年增加了11.9%，导致168,491人死亡和443,366人受伤，分别增长了9.4%和15.3%[2]。