《Array》：TriNet-RTAD: An Efficient Ensemble-Based Deep CNN Framework for Road Traffic Anomaly Detection
编辑推荐：
道路异常检测（Road Traffic Anomaly Detection, RTAD）在智能交通系统（Intelligent Transportation Systems, ITS）中具有重要地位，可实现事故、危险路况及拥堵等异常事件的快速识别。研究人员提出
道路异常检测（Road Traffic Anomaly Detection, RTAD）在智能交通系统（Intelligent Transportation Systems, ITS）中具有重要地位，可实现事故、危险路况及拥堵等异常事件的快速识别。研究人员提出了一种基于异构卷积神经网络集成的轻量级RTAD框架TriNet-RTAD，融合ResNet50、ResNet101与EfficientNetB0三种架构，采用概率平均（probability-averaging）策略以提升检测鲁棒性并保持实时可行性。实验结果显示，该模型在Traffic-Net与RAD数据集上的准确率分别达到96.18%与98.05%，优于所有对比模型。研究进一步分析了数据集特征与模型性能，证明该集成框架可为RTAD提供稳定解决方案，适用于智能交通监控系统。
研究背景方面，道路交通异常如事故、拥堵与路面危险会严重影响交通安全与通行效率，及时检测对调度应急资源、优化信号控制至关重要。传统方法依赖人工分析与传感器统计，效率低且难以扩展；机器学习方法需大量标注数据并依赖特征工程，泛化能力有限；单一深度学习模型在面对未知场景时易过拟合，且复杂时空模型计算开销大，影响实时部署。因此，研究人员旨在设计一种兼具高精度与低延迟的集成检测框架。该研究发表于《Array》。
关键技术方法方面，研究人员选用两个公开数据集——Traffic-Net（含事故、拥堵、火灾、稀疏交通四类共4420张图像）与RAD（含事故、车辆起火、斗殴、持枪抢劫四类共3419张图像），按7:1.5:1.5比例分层划分训练、验证与测试集。图像统一缩放至224×224像素并归一化，训练阶段采用旋转、剪切、缩放等数据增强手段。基础模型为ResNet50、ResNet101与EfficientNetB0，均加载ImageNet预训练权重并在目标数据集微调，最终通过全局平均池化（Global Average Pooling, GAP）降维并输出各类别概率，推理阶段采用无参的概率平均融合策略整合三个模型的预测结果。
研究结果方面，首先在Traffic-Net数据集上，TriNet-RTAD准确率达96.18%，比最优单模型ResNet101高出0.74%，且Precision、Recall与F1-score均最高，混淆矩阵显示仅少数视觉相似类别（事故与拥堵）存在轻微误判。其次在RAD数据集上，准确率达98.05%，比ResNet101提升1.93%，误分类主要出现在事故与火灾、斗殴与持枪抢劫之间。第三，计算效率分析表明，集成模型总计算量约23.82 GFLOPs，单帧推理延迟22.64毫秒，对应处理速度约44 FPS，可在实时交通监控场景中部署。
讨论部分指出，概率平均融合有效结合了异构CNN的特征互补优势，在不增加可训练参数的前提下提升鲁棒性与泛化能力。局限在于数据集未涵盖极端天气、积水、路面杂物等少见异常，且当前模型独立处理每帧图像，缺乏时序建模能力，可能在动态事件检测中存在不足。
研究结论为：TriNet-RTAD通过异构CNN集成与轻量级概率平均融合，在多个数据集上实现了高精度与实时性的平衡，为智能交通监控提供了可行方案。未来工作将引入ConvLSTM或三维卷积以捕捉时空特征，扩展数据集覆盖更多异常类型，并结合联邦学习与可解释人工智能（Explainable Artificial Intelligence, XAI）技术提升隐私保护与决策透明度。
