🤖 AI

Hybrid Congestion Classification Framework Using Flow-Guided Attention and Empirical Mode Decomposition

Ce papier propose FLO-EMD, un cadre hybride qui intègre une attention guidée par le mouvement avec la décomposition modale empirique pour capturer conjointement le contexte spatial et les dynamiques temporelles non stationnaires, atteignant une précision de 97,5 % dans la classification des niveaux de congestion du trafic à travers divers environnements de surveillance.

Auteurs originaux : Eugene Kofi Okrah Denteh, Blessing Agyei Kyem, Joshua Kofi Asamoah, Armstrong Aboah

Publié 2026-05-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Eugene Kofi Okrah Denteh, Blessing Agyei Kyem, Joshua Kofi Asamoah, Armstrong Aboah

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de déterminer à quel point la circulation est mauvaise simplement en regardant un flux vidéo provenant d'une caméra d'autoroute. Vous avez deux principales façons de le faire, mais les deux présentent un défaut :

L'approche "Photo Statique" : Vous regardez l'image et comptez les voitures. Le problème ? Une photo d'un parking bondé ressemble à une photo d'un embouteillage, même si l'un est à l'arrêt et l'autre avance lentement. Vous pourriez être trompé par le décor statique (comme la peinture de la route ou les glissières de sécurité) plutôt que par les voitures elles-mêmes.
L'approche "Onde Sonore" : Vous écoutez la circulation comme un ingénieur du son, en analysant le rythme des voitures passant à un point spécifique. Le problème ? Vous ne pouvez pas voir où l'embouteillage se produit sur l'écran. Vous savez qu'il y a un problème, mais vous ne savez pas s'il est dans la voie de gauche ou dans la voie de droite.

Ce papier présente un nouveau système appelé FLO-EMD qui agit comme un détective de la circulation surdoué combinant le meilleur des deux mondes. Voici comment il fonctionne, en utilisant des analogies simples :

1. Le "Détective du Mouvement" (Flot Optique)

Au lieu de simplement regarder les couleurs des voitures (RVB), le système observe d'abord comment les choses bougent. Il crée une "carte du vent" invisible (appelée flot optique) qui montre la direction et la vitesse de chaque pixel de la vidéo.

L'analogie : Imaginez regarder une rivière. Une caméra normale voit les rochers et la couleur de l'eau. Le "Détective du Mouvement" ignore les rochers et ne regarde que les courants tourbillonnants. Cela aide le système à ignorer les éléments statiques comme les panneaux de signalisation ou les ombres qui ne bougent pas, en se concentrant uniquement sur les voitures qui comptent vraiment.

2. Le "Filtre de Focus" (Attention Guidée par le Flot)

Une fois que le système sait où se trouve le mouvement, il utilise cette information pour dire à ses "yeux" où regarder.

L'analogie : Pensez à un projecteur sur une scène. Habituellement, un projecteur pourrait briller sur la partie la plus colorée du décor (comme un rideau rouge vif). Mais ce système utilise le "Détective du Mouvement" pour déplacer le projecteur. Si les voitures bougent dans la voie de gauche, le projecteur s'y déplace. Si la voie de droite est vide, le projecteur s'assombrit. Cela empêche le système de se laisser distraire par le bruit de fond statique.

3. L'"Analyseur de Rythme" (Décomposition Empirique des Modes)

La circulation n'est pas constante ; elle s'arrête, démarre et oscille. Les ordinateurs standards tentent souvent de faire entrer la circulation dans une boîte rigide et prévisible (comme un métronome). Ce système utilise une technique appelée Décomposition Empirique des Modes (EMD) pour décomposer le rythme de la circulation en ses parties naturelles et désordonnées.

L'analogie : Imaginez un musicien jouant un solo de jazz complexe. Un enregistreur standard pourrait essayer de forcer ce solo dans un simple rythme 4/4. L'EMD est comme un producteur de musique génie qui écoute le solo et le décompose en ses couches uniques : les battements rapides de la batterie, la ligne de basse lente et les pauses soudaines. Cela permet au système de comprendre la vraie nature du flux de circulation, même s'il est chaotique ou change soudainement.

4. Le "Verdict Final"

Le système prend le "Filtre de Focus" (ce qu'il voit) et l'"Analyseur de Rythme" (comment la circulation se déplace dans le temps) et les combine.

Le Résultat : Il peut distinguer la circulation Légère (voitures roulant librement), Moyenne (voitures ralentissant mais avançant) et Lourde (voitures à l'arrêt ou rampant) avec une précision de 97,5 %.

Pourquoi est-ce important ?

Cela fonctionne sous la pluie et dans le brouillard : Parce qu'il se concentre sur les motifs de mouvement plutôt que sur de simples images claires, il ne se laisse pas aussi facilement confondre lorsque le temps est mauvais.
Il utilise les caméras existantes : Vous n'avez pas besoin d'installer de nouveaux capteurs sur la route. Il peut utiliser les caméras de vidéosurveillance que les villes possèdent déjà.
Il est honnête sur ce qu'il voit : Le système peut vous montrer une "carte thermique" de la partie exacte de la route qu'il observe, prouvant qu'il ne se contente pas de deviner en se basant sur l'arrière-plan.

L'essentiel

Les auteurs ont testé cela sur plus de 1 000 extraits vidéo d'autoroutes aux États-Unis, couvrant des journées ensoleillées, des nuits pluvieuses et des conditions neigeuses. Il a surpassé toutes les autres méthodes existantes (comme les modèles vidéo IA standards) parce qu'il ne se contentait pas de "regarder" la circulation ; il "ressentait" le mouvement et comprenait le rythme de l'embouteillage.

Ce que ce n'est PAS :
Le papier ne prétend pas que ce système peut prédire les embouteillages futurs avant qu'ils ne se produisent, ni qu'il prétend résoudre la circulation. C'est strictement un outil pour classer (étiqueter) ce qui se passe exactement dans le flux vidéo à l'instant présent. Il note également que bien qu'il fonctionne très bien sur les autoroutes, il n'a pas encore été entièrement testé sur des intersections urbaines complexes où les voitures tournent dans toutes les directions.

Résumé Technique : Cadre de Classification de la Congestion Hybride FLO-EMD

Énoncé du Problème
Une classification précise de la congestion routière nécessite des modèles capturant simultanément le contexte de la scène routière et le mouvement non stationnaire du trafic. Les approches existantes traitent généralement ces exigences de manière isolée. Les méthodes basées sur la vision s'appuient souvent sur des indices d'apparence et un regroupement temporel standard, ce qui peut biaiser les prédictions vers l'infrastructure statique plutôt que vers les états dynamiques du trafic. À l'inverse, les approches basées sur les signaux (par exemple, utilisant des boucles de détection) caractérisent bien les dynamiques temporelles mais manquent du contexte spatial nécessaire à la localisation au niveau de la scène. De plus, les modèles basés sur la vision souffrent fréquemment de mécanismes d'attention qui dérivent vers des éléments statiques à fort contraste (par exemple, marquages au sol, ombres) plutôt que vers des régions pertinentes pour le mouvement, et ils échouent souvent à décomposer explicitement les motifs de mouvement non stationnaires comme les oscillations arrêt-démarrage.

Méthodologie : Le Cadre FLO-EMD
L'article propose FLO-EMD, un cadre hybride couplant une attention guidée par le mouvement avec une décomposition temporelle empirique et pilotée par les données. L'architecture traite des clips vidéo de trafic via des backbones parallèles RVB et de flux optique dense, les intégrant via une conception à double flux.

Extraction du Flux Optique et Caractérisation du Mouvement :
- Un flux optique dense est estimé entre les images consécutives en utilisant l'algorithme de Farneback.
- Au lieu d'alimenter directement les champs de flux bruts dans un réseau profond pour la modélisation temporelle, le système agrège les statistiques de flux en des descripteurs de mouvement compacts au niveau de l'image. Ceux-ci incluent la moyenne spatiale et l'écart-type de la magnitude du flux ( $\mu_M, \sigma_M$ ) et de la direction du flux ( $\mu_D, \sigma_D$ ).
- Ces descripteurs forment des « traces de mouvement » séries temporelles représentant les dynamiques de congestion au niveau de la scène.
Backbone à Double Flux et Attention Guidée par le Flux :
- Le cadre emploie deux encodeurs convolutifs parallèles : l'un pour les images RVB et l'autre pour les champs de flux optique. Les deux produisent des cartes de caractéristiques alignées spatialement et par canal.
- Un Mécanisme d'Attention Guidée par le Flux (un bloc CBAM amélioré) utilise les caractéristiques du flux optique pour affiner les caractéristiques RVB.
  - Attention par Canal : Calculée à partir des descripteurs regroupés des caractéristiques RVB et de flux pour mettre l'accent sur les canaux de caractéristiques pertinents pour le mouvement.
  - Attention Spatiale : Intègre une carte de magnitude de flux redimensionnée aux côtés des statistiques RVB pour répondérer les régions spatiales, assurant que le modèle se concentre sur les zones actives du trafic plutôt que sur l'infrastructure statique.
Décomposition Empirique des Modes (EMD) pour l'Analyse Temporelle :
- Les traces de mouvement compactes (les quatre descripteurs statistiques dans le temps) sont décomposées en utilisant la Décomposition Empirique des Modes (EMD).
- L'EMD décompose de manière adaptative la série temporelle non stationnaire en Fonctions de Mode Intrinsèques (FMI) sans hypothèses de fréquence fixes.
- L'article conserve $N=4$ FMI par descripteur. Chaque FMI est résumée par sa moyenne temporelle et son écart-type, créant un embedding de dimension fixe (32 caractéristiques scalaires par clip) qui capture les dynamiques temporelles multi-échelles.
Fusion de Caractéristiques et Classification :
- Les représentations spatio-temporelles apprises (issues des flux RVB et de flux traités par des BiLSTM et un regroupement basé sur l'attention) sont fusionnées avec l'embedding de mouvement dérivé de l'EMD.
- Un Perceptron Multicouche (MLP) final classe le vecteur fusionné en trois états de congestion : Léger, Moyen et Lourds.
- L'entraînement utilise une perte d'entropie croisée avec lissage des étiquettes pour améliorer la généralisation.

Contributions Clés

Application de l'EMD au Flux Optique : L'étude introduit l'application de la Décomposition Empirique des Modes aux séries temporelles de flux optique. Cela permet la décomposition adaptative du mouvement de trafic non stationnaire en fonctions de mode intrinsèques, caractérisant les dynamiques temporelles multi-échelles critiques pour distinguer les niveaux de congestion, offrant une alternative robuste à l'analyse temporelle à fenêtre fixe.
Cadre Hybride Signal-Vision : L'article présente une architecture unifiée combinant de manière transparente le traitement du signal classique (EMD) avec l'apprentissage profond moderne (encodeurs doubles et attention). Cette intégration fait le lien entre l'analyse vidéo spatiale et la reconnaissance de motifs temporels, répondant aux limites des approches purement basées sur la vision ou purement basées sur les capteurs.

Résultats Expérimentaux
Le cadre a été évalué sur un ensemble de données de 1 050 clips de cinq secondes provenant de quatre réseaux de surveillance (Seattle I-5, AI-City Challenge 2021, Tennessee TDOT et NYC 511NY), couvrant des conditions diverses incluant des scénarios clairs, pluvieux, neigeux, brumeux et nocturnes.

Performance : FLO-EMD a atteint une précision globale de test de 97,5 % avec un score F1 pondéré de 0,9742, surpassant les bases établies incluant des modèles basés sur les Transformers (TimeSformer, Video Swin Transformer), des modèles basés sur les CNN (X3D, TANet) et des pipelines hybrides (TSM, YOLO+LSTM).
Robustesse : Le modèle a démontré une performance cohérente à travers les conditions environnementales, avec la précision la plus basse observée dans des conditions pluvieuses (93,50 %) et la plus élevée dans des journées claires (98,50 %).
Études d'Ablation :
- La suppression de l'attention guidée par le flux a entraîné une baisse significative de la performance et une augmentation du surapprentissage, confirmant la nécessité d'un raffinement des caractéristiques conditionné par le mouvement.
- La suppression de la branche EMD a réduit la précision, validant la valeur de la décomposition temporelle adaptative.
- L'analyse de sensibilité a indiqué que le maintien de 4 FMI offrait l'équilibre optimal entre la capture de comportements temporels distincts et l'évitement du surapprentissage aux fluctuations éphémères.
Interprétabilité : Les visualisations d'attention ont montré que le mécanisme guidé par le flux se concentrait avec succès sur les zones actives du trafic (par exemple, files de véhicules) plutôt que sur les éléments d'arrière-plan statiques, bien que certaines attention aient occasionnellement été attribuées aux accotements routiers en raison d'artefacts de flux.

Signification et Revendications
L'article revendique que FLO-EMD fournit une solution unifiée reliant les preuves de mouvement à la sélection de caractéristiques spatiales tout en préservant la caractérisation temporelle adaptative aux données. En tirant parti de l'infrastructure CCTV existante, la méthode permet aux agences de transport d'étendre la couverture de surveillance sans installer de capteurs routiers supplémentaires. Les auteurs affirment que la nature explicitement pilotée par le mouvement du cadre soutient une opération fiable dans des conditions météorologiques défavorables et à faible luminosité, le rendant bien adapté à la surveillance routière de routine et au soutien décisionnel opérationnel en temps réel au sein des systèmes de transport intelligents. L'étude conclut que combiner l'analyse spatiale conditionnée par le mouvement avec la décomposition temporelle adaptative est une direction efficace pour une classification fiable de la congestion, bien qu'elle reconnaisse des limites concernant la généralisation aux intersections urbaines complexes et le potentiel que l'attention soit influencée par des artefacts de bordure.