본 논문은 자율주행 및 자율주행 보조 시스템에서 보행자의 횡단 의도(PCI) 예측의 정확성을 높여 취약한 도로 이용자의 안전을 확보하는 것을 목표로 합니다. 기존의 PCI 예측 방법들은 고차원의 비디오 프레임 데이터의 중복성으로 인해 보행자 행동과 관련된 중요한 사건들을 포착하는 데 어려움을 겪습니다. 이에 본 논문에서는 시간적 맥락 이벤트 학습(TCL)이라는 새로운 방법을 제시합니다. TCL은 시간적 병합 모듈(TMM)을 통해 관측된 비디오 프레임을 여러 주요 시간적 이벤트로 클러스터링하여 중복성을 관리하고, 맥락적 어텐션 블록(CAB)을 통해 여러 이벤트 특징과 시각적, 비시각적 데이터를 적응적으로 집계합니다. TCL은 주요 이벤트에 걸쳐 중요한 정보에 대한 시간적 특징 추출과 맥락적 어텐션을 결합하여 PCI 예측을 위한 표현력 있는 표현을 학습합니다. PIE, JAAD-beh, JAAD-all 세 가지 데이터셋을 사용한 실험 결과, TCL은 최첨단 방법들을 상당히 능가하는 성능을 보였습니다. 소스 코드는 깃허브에서 공개됩니다.
