CycleCrash

CycleCrash是由加拿大皇后大学创建的一个新型数据集，专注于自行车碰撞视频的收集与分析。该数据集包含3000个行车记录仪视频，共计436,347帧，涵盖了从碰撞到安全互动的各种关键情境。数据集的创建过程包括从多个在线平台收集视频，并进行时间裁剪、文件转换、空间裁剪和缩放、帧率调整以及颜色归一化等预处理步骤。CycleCrash数据集的应用领域主要集中在自动驾驶和驾驶辅助研究社区，旨在通过提供详细的碰撞相关、骑车者相关和场景相关的标注，解决自行车安全问题，如碰撞预测和时间到碰撞的预测。

CycleCrash is a novel dataset developed by Queen's University in Canada, dedicated to the collection and analysis of bicycle crash-related videos. It comprises 3,000 dashcam videos, totaling 436,347 frames, and covers a wide spectrum of critical scenarios spanning from collision events to safe interactions. The construction of the CycleCrash dataset involves acquiring videos from multiple online platforms, followed by a suite of preprocessing operations including temporal cropping, file format conversion, spatial cropping and scaling, frame rate adjustment, and color normalization. The CycleCrash dataset is primarily targeted at the autonomous driving and driver-assistance research communities, aiming to address bicycle safety concerns such as collision prediction and time-to-collision prediction by offering detailed annotations for crash incidents, cyclists, and contextual scenes.

搜集汇总

数据集介绍

构建方式

CycleCrash数据集通过从YouTube、Vimeo、DailyMotion、Facebook、Instagram、X（原Twitter）和TikTok等平台收集的3000个行车记录仪视频构建而成。这些视频捕捉了骑自行车者在各种关键情况下的行为，从碰撞到安全互动。数据集的构建过程中，视频被严格筛选，确保包含骑自行车者的碰撞、接近碰撞、失去平衡、危险行为或安全导航等场景。视频经过预处理，包括时间裁剪、文件格式转换、空间裁剪和缩放、帧率调整以及颜色标准化，以确保数据的一致性和质量。

特点

CycleCrash数据集的显著特点在于其专注于骑自行车者的安全问题，提供了436,347帧的详细标注，包括碰撞相关、骑自行车者相关和场景相关的13种标注。这些标注涵盖了从碰撞时间、碰撞严重性到骑自行车者行为风险指数等多个维度，为研究骑自行车者安全提供了丰富的数据支持。此外，数据集定义了9个关键任务，涉及骑自行车者行为风险预测、碰撞预测和分类等，为机器学习模型提供了多样的训练和评估场景。

使用方法

CycleCrash数据集适用于多种机器学习任务，特别是与骑自行车者安全相关的预测和分类任务。研究者可以使用该数据集训练模型，以预测骑自行车者的行为风险、碰撞时间、碰撞严重性等。数据集提供了详细的标注和预处理工具，便于研究者快速上手。此外，数据集的开源代码和工具包支持PyTorch实现，使得模型训练和评估更加高效。通过这些工具，研究者可以探索和验证新的方法，以提高自动驾驶和驾驶辅助系统对骑自行车者安全的理解和应对能力。

背景与挑战

背景概述

随着城市通勤中自行车作为一种可持续且健康的交通方式的普及，其带来的安全问题也日益凸显，使骑行者成为道路使用者中最脆弱的群体之一。近年来，研究表明每年因事故导致的骑行者伤害超过13万例，而骑行者死亡人数在过去十年中增长了50%以上。尽管机器学习在自动驾驶车辆相关问题的解决中取得了显著进展，但针对骑行者安全的数据驱动解决方案的发展却因缺乏专门为此问题设计的数据集而受阻。CycleCrash数据集由加拿大皇后大学的Nishq Poorav Desai、Ali Etemad和Michael Greenspan等人于2024年创建，旨在填补这一空白。该数据集包含3,000个行车记录仪视频，共436,347帧，捕捉了骑行者在各种关键情况下的行为，从碰撞到安全互动。CycleCrash数据集不仅提供了丰富的标注信息，还定义了9个与骑行者安全相关的预测和分类任务，为自动驾驶和驾驶辅助研究社区提供了宝贵的资源。

当前挑战

CycleCrash数据集在构建过程中面临了多重挑战。首先，现有的大多数自动驾驶车辆数据集在处理骑行者相关实例时表现不足，骑行者在数据中的代表性极低，这限制了模型对骑行者行为的理解和预测能力。其次，数据集的构建需要从互联网上收集大量视频，并进行精细的标注工作，这不仅耗时且成本高昂。此外，数据集中包含的多种标注信息，如碰撞相关、骑行者相关和场景相关标签，需要高度专业化的知识和细致的判断，以确保标注的准确性和一致性。最后，数据集的多样性和复杂性要求模型能够处理复杂的时空信息，这对现有的视频处理方法提出了新的挑战。

常用场景

经典使用场景

CycleCrash数据集的经典应用场景在于其能够支持多种与自行车碰撞预测和分类相关的任务。通过包含3,000个车载摄像头视频和436,347帧的丰富数据，该数据集特别适用于开发和验证用于预测自行车碰撞、分类碰撞严重程度以及评估骑行者行为风险等任务的模型。这些任务对于提升自动驾驶车辆和驾驶员辅助系统在复杂交通环境中的安全性具有重要意义。

实际应用

CycleCrash数据集在实际应用中具有广泛的前景，特别是在自动驾驶和驾驶员辅助系统领域。通过利用该数据集训练的模型，可以实时预测和分类自行车碰撞，从而及时发出警告或采取避让措施，显著提高道路安全性。此外，该数据集还可用于开发和优化骑行者行为风险评估系统，帮助驾驶员和自动驾驶系统更好地理解和应对复杂的交通环境。

衍生相关工作

CycleCrash数据集的发布催生了一系列相关研究工作。例如，基于该数据集，研究人员提出了VidNeXt模型，该模型结合了ConvNeXt空间编码器和非平稳变换器，以捕捉视频的时间动态，从而在多个任务上表现出色。此外，该数据集还激发了对自行车碰撞预测和分类任务的深入研究，推动了相关算法和模型的创新与发展。