Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Multi-view Phase-aware Pedestrian-Vehicle Incident Reasoning Framework with Vision-Language Models

Created by
  • Haebom
Category
Empty

저자

Hao Zhen, Yunxiang Yang, Jidong J. Yang

개요

본 논문은 보행자-차량 사고의 심각성을 해결하기 위해, 다중 시점 비디오 스트림을 체계적으로 처리하여 구조화된 진단 보고서를 생성하는 Multi-view Phase-aware Pedestrian-Vehicle Incident Reasoning (MP-PVIR) 프레임워크를 제시한다. 이 프레임워크는 사고를 인지 단계로 자동 분할하고, 각 단계 내에서 동기화된 다중 시점 분석을 수행하며, 인과 관계를 파악하여 예방 전략을 제시한다. 이를 위해, 행동 단계 분할을 위한 TG-VLM과 단계별 다중 시점 분석을 위한 PhaVR-VLM을 활용하며, 대규모 언어 모델을 통해 종합적인 보고서를 생성한다. Woven Traffic Safety 데이터셋 평가를 통해 MP-PVIR은 실행 가능한 통찰력을 제공하여 AI 기반 교통 안전 분석을 발전시켰다.

시사점, 한계점

•
시사점:
◦
보행자-차량 사고 분석을 위한 새로운 프레임워크 제시: 다중 시점 비디오 분석, 행동 단계 분할, 인과 관계 추론을 통합하여 사고 분석의 정확성을 향상시킴.
◦
전문 VLM 모델 활용: 행동 단계 분할 및 단계별 분석을 위한 특화된 VLM 모델(TG-VLM, PhaVR-VLM)을 개발하여 성능 향상.
◦
실행 가능한 통찰력 제공: 종합적인 보고서 생성 및 예방 권고를 통해 실제 교통 안전 시스템에 기여.
•
한계점:
◦
모델 성능 지표 한계: TG-VLM의 mIoU가 0.4881, PhaVR-VLM의 캡셔닝 점수 및 정확도가 상대적으로 낮음.
◦
데이터셋 의존성: Woven Traffic Safety 데이터셋에 대한 평가만 진행되어 일반화 가능성에 대한 추가 검증 필요.
◦
계산 비용: 다중 VLM 활용 및 종합 보고서 생성을 위한 LLM 사용으로 계산 비용이 높을 수 있음.
👍
Made with Slashpage