跳转至

RiskProp: Collision-Anchored Self-Supervised Risk Propagation for Early Accident Anticipation

会议: CVPR 2026
arXiv: 2603.27165
代码: https://github.com/xingyueye5/RiskProp/
领域: 可解释性
关键词: 事故预测, 自监督风险传播, 时序建模, 单调性约束, 行车记录仪

一句话总结

提出 RiskProp，一种以碰撞帧为锚点的自监督风险传播范式，通过未来帧正则化损失和自适应单调约束损失，仅依赖碰撞帧标注即可学习时序连贯的风险演化曲线，在 CAP 和 Nexar 数据集上达到 SOTA。

研究背景与动机

  1. 领域现状：事故预期（Accident Anticipation）旨在通过行车记录仪视频实时估计风险分数，当分数超过阈值时触发预警。现有方法将该任务建模为二分类监督学习——无事故视频所有帧标为 0，事故视频从"异常起始帧"到碰撞帧标为 1。

  2. 现有痛点：二元标签范式存在根本缺陷——它强迫模型将所有碰撞前帧视为等同风险，忽略了风险的渐进演化特性。手动标注"异常起始"帧主观且不一致，不同标注者之间差异大，导致噪声监督信号。

  3. 核心矛盾：真实驾驶中风险是连续递增的过程（如驾驶员分心时缓慢上升，行人突然出现时急剧飙升），但二元标签无法表达这种中间状态和场景依赖的风险演化。

  4. 本文目标 不依赖手动标注的异常起始帧，仅利用可靠标注的碰撞帧，学习时序连贯且物理合理的风险演化曲线。

  5. 切入角度：作者提出两个关键观察——(1) 未来帧包含更明确的碰撞证据，模型对未来帧的预测更准确，可作为当前帧的伪监督；(2) 碰撞前风险总体呈非递减趋势。

  6. 核心 idea：以碰撞帧为唯一锚点，通过下一帧预测值作为软标签反向传播风险信号，结合自适应单调约束实现无需人工标注的风险演化建模。

方法详解

整体框架

RiskProp 想解决的核心问题是：在只有碰撞帧这一可靠标注的前提下，学出一条时序连贯、随风险渐增的风险曲线，而不是被二元标签强行拉平。整条 pipeline 很轻——对每个时间步 \(t\)，模型吃进连续 \(O\) 帧（实验中 \(O=5\)）\(\mathbf{x}_t = \{x_{t-O+1}, \dots, x_t\}\)，先用 3D CNN 编码器（SlowOnly）抽特征，再过 sigmoid 输出该步风险分数 \(a_t = \sigma(f_\theta(\mathbf{x}_t))\)。真正的巧思全在监督信号的设计上：唯一锚点是碰撞帧的真标签，中间帧不靠人工标，而是让"未来帧的预测"反过来给"当前帧"当软目标，再叠一层随场景松紧的单调约束。三个损失分工明确——BCE 只钉住碰撞帧和起始帧两端，未来帧正则化（FFR）负责把风险信号从碰撞帧往前传，自适应单调约束（AMC）负责让传出来的曲线大体不回头。

关键设计

1. 未来帧正则化损失（FFR）：用"下一帧"给"当前帧"当软标签，把风险从碰撞帧反向灌回早期帧

二元标签的根本缺陷在于把所有碰撞前帧当成同等风险，而中间帧又没法可靠标注；FFR 的切入点是一个朴素事实——越接近碰撞，证据越充分，模型对未来帧的判断天然比当前帧更可信。于是它用 stop-gradient 把下一帧的预测 \(\text{detach}(z_{t+1})\) 冻成当前帧 \(z_t\) 的目标，最小化 \(\mathcal{L}_{\text{reg}} = \sum_{t=1}^{T-1} \|\text{detach}(z_{t+1}) - z_t\|^2\)。因为碰撞帧 \(z_T\) 有唯一可靠的真标签 \(y_T=1\) 钉住，这个高风险信号会沿 \(z_T \to z_{T-1} \to \cdots\) 一层层链式回传到早期帧。stop-gradient 是关键：它保证信息只往前（时间上往早）单向流动，不会让早期帧的不确定预测反噬污染碰撞帧这个唯一可信的锚，整套机制因此不需要额外的 teacher 模型，也彻底绕开了主观的"异常起始"标注。

2. 自适应单调约束损失（AMC）：让风险曲线总体非递减，但容忍短期波动，松紧随场景自适应

光有 FFR 还不够——风险信号回传后仍可能出现局部抖动或倒挂，而真实驾驶中危险度是总体递增的过程。AMC 对随机采样的帧对 \((i,j)\)（\(j>i\)）施加 \(a_j \geq a_i\)，写成 hinge 形式 \(\mathcal{L}_{\text{mono}} = \frac{1}{|\mathcal{D}|} \sum_{(i,j)} \max\big(0,\, a_i - a_j + \delta(\Delta t, \bar{c}_{i:j})\big)\)。这里的关键不是硬约束，而是那个会自适应的容忍边距

\[\delta = \delta_0 \cdot \Delta t \cdot \bar{c}_{i:j},\]

它同时随帧对时间距离 \(\Delta t\) 和区间平均预测置信度 \(\bar{c}_{i:j}\) 缩放：时间跨度越大、越确信处于高风险段，边距越大、单调约束越严；反之在置信度低或相邻帧之间则放松，给短期波动留出余地。固定边距或硬单调会把曲线过度压成阶梯，自适应边距则在"曲线该涨"和"别把噪声也强行单调化"之间取得平衡。

3. 仅碰撞帧标注策略：只标客观可靠的碰撞时刻，中间全交给自监督

现有方法要么靠指数衰减加权、要么靠人工标注"异常起始"窗口来定义正样本，而这个起始点本身主观、标注者间差异大，是噪声监督的源头。RiskProp 把标注砍到极简——事故视频里只有碰撞帧记正（\(y_T=1\)）、起始帧记负（\(y_0=0\)），所有中间帧的监督完全由 FFR 软标签提供；非事故视频则全帧标 0。BCE 在这两端施加时对碰撞帧加更高权重，以缓解正负样本不平衡。之所以敢这么省，是因为碰撞时间戳是客观可观测的事实，而 FFR+AMC 已经把中间段的演化补齐；消融也证实这套极简标注能逼平用人工起始帧的密集标注。

损失函数 / 训练策略

总损失为 \(\mathcal{L} = \mathcal{L}_{\text{bce}} + \lambda_1 \cdot \mathcal{L}_{\text{reg}} + \lambda_2 \cdot \mathcal{L}_{\text{mono}}\)，取 \(\lambda_1=1.5\)、\(\lambda_2=1.1\)。训练用 SlowOnly 预训练权重、SGD 优化器，8 卡 A800 跑 50 epochs，batch size 64，初始学习率 0.002 并每 20 epochs 衰减至 10%；帧采样区间 \(d_{\min}=0.1\)、\(d_{\max}=0.9\)，单调边距基数 \(\delta_0=0.01\)；视频帧统一 resize 到 224×224，帧率重采样为 10 FPS。

实验关键数据

主实验

数据集 方法 mAUC0.1 mAUC mAP mTTA0.1 (s)
CAP AdaLEA 0.379 0.807 0.857 1.115
CAP CRASH 0.401 0.842 0.887 1.085
CAP RiskProp 0.483 0.853 0.890 1.207
Nexar CRASH 0.393 0.832 0.846 0.857
Nexar RiskProp 0.472 0.869 0.870 0.958

在 Nexar 上，RiskProp 在所有指标上均超越第二名 CRASH，mAUC0.1 提升 0.079，mAUC 提升 0.037，mAP 提升 0.024。

消融实验

配置 标注策略 mAUC0.1 (CAP) mAUC0.1 (Nexar) 说明
Baseline (无 FFR/AMC) Only Collision 0.358 0.298 仅碰撞帧标注，无自监督约束
+FFR Only Collision 0.474 0.453 加 FFR 后 CAP 提升 0.116
+FFR+AMC Only Collision 0.483 0.472 完整模型，SOTA
+FFR+AMC Anomaly Onset 0.484 0.479 使用人工标注起始帧

关键发现

  • FFR 贡献最大：在 Only Collision 设置下，仅加 FFR 即可带来 CAP 上 0.116、Nexar 上 0.155 的 mAUC0.1 提升，证明未来帧正则化有效地传播了风险信号。
  • 仅碰撞帧足矣：完整模型在 Only Collision 下达到 0.483 (CAP) / 0.472 (Nexar)，与密集标注 (Anomaly Onset) 的 0.484 / 0.479 几乎持平，证明无需主观的异常起始标注。
  • 风险曲线更平滑：定性分析显示 RiskProp 在安全期保持低风险估计，仅在真正危险出现时急剧上升，有效抑制了传统方法常见的早期假阳性。

亮点与洞察

  • 自监督链式传播机制非常巧妙：通过 stop-gradient 让下一帧预测作为当前帧的目标，这种简单设计实现了从碰撞帧到早期帧的风险信号反向传播，无需额外的 teacher 模型或复杂架构。
  • "仅碰撞帧"匹配"密集标注"是核心亮点：证明了在好的自监督约束下，极简标注可以达到密集标注的效果，对实际应用意义重大。
  • 自适应单调约束的设计思想可迁移：基于置信度和时间距离的自适应边距机制，可以推广到任何需要时序单调性约束的任务，如疾病进展预测、设备老化监控等。

局限与展望

  • 碰撞帧标注仍然是必需的，完全无监督场景无法适用
  • 非事故视频上 FFR 和 AMC 被禁用，意味着模型对安全场景的建模仅依赖 BCE 损失
  • 仅验证了 3D CNN 编码器，未探索 Transformer 或多模态编码器
  • 帧率固定重采样为 10 FPS，可能丢失快速变化场景的关键信息
  • 可以考虑将风险传播扩展为双向（不仅从碰撞帧回传，也从安全期前传约束）

相关工作与启发

  • vs AdaLEA/CRASH: 这些方法依赖指数衰减加权或手动异常起始标注来定义正样本窗口，RiskProp 完全移除了这些主观设计，仅用碰撞帧+自监督约束即超越它们
  • vs DSTA: DSTA 在 CAP 上 mAUC 最高 (0.895)，但 RiskProp 在早期预警 (mAUC0.1, mTTA) 上大幅领先，体现了不同评价重点下的取舍
  • 自监督时序传播思想可以启发视频异常检测、动作预测等相关领域

评分

  • 新颖性: ⭐⭐⭐⭐ 碰撞锚定+自监督传播的范式新颖，但核心技术（stop-gradient 伪标签、单调约束）分别已有先例
  • 实验充分度: ⭐⭐⭐⭐⭐ 两个数据集、完整消融、三种标注策略对比、风险曲线可视化，非常充分
  • 写作质量: ⭐⭐⭐⭐ 动机推导清晰，方法描述严谨，图表设计直观
  • 价值: ⭐⭐⭐⭐ 减少标注依赖对实际部署有重要意义，风险曲线的可解释性是安全关键系统的加分项

相关论文