FPMT: Enhanced Semi-Supervised Model for Traffic Incident Detection

要約

交通事故検出の場合、データとラベルの取得は特にリソースを大量に消費するため、半監視付き交通事故検出は手ごわい、かつ結果的な課題となっています。
したがって、このペーパーでは、半教師あり学習方法による交通事故の検出に焦点を当てます。
MixText のフレームワーク内で FPMT という名前の半教師あり学習モデルを提案しています。
データ拡張モジュールでは、データセットのバランスを取り、拡張するための敵対的生成ネットワークが導入されています。
隠れ空間での混合プロセス中に、確率的擬似混合メカニズムを採用して、正則化を強化し、モデルの精度を高めます。
トレーニング戦略に関しては、すべてのデータに対する教師なしトレーニングから始まり、ラベル付きデータのサブセットに対する教師あり微調整が続き、最終的には半教師ありトレーニングの目標を完了します。
4 つの本物のデータセットでの実証的検証を通じて、当社の FPMT モデルはさまざまな指標にわたって優れたパフォーマンスを示します。
特に注目すべきは、ラベル レートが低いシナリオでも堅牢なパフォーマンスを発揮することです。

要約(オリジナル)

For traffic incident detection, the acquisition of data and labels is notably resource-intensive, rendering semi-supervised traffic incident detection both a formidable and consequential challenge. Thus, this paper focuses on traffic incident detection with a semi-supervised learning way. It proposes a semi-supervised learning model named FPMT within the framework of MixText. The data augmentation module introduces Generative Adversarial Networks to balance and expand the dataset. During the mix-up process in the hidden space, it employs a probabilistic pseudo-mixing mechanism to enhance regularization and elevate model precision. In terms of training strategy, it initiates with unsupervised training on all data, followed by supervised fine-tuning on a subset of labeled data, and ultimately completing the goal of semi-supervised training. Through empirical validation on four authentic datasets, our FPMT model exhibits outstanding performance across various metrics. Particularly noteworthy is its robust performance even in scenarios with low label rates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google