CollideNet：解耦时空多尺度特征，刷新碰撞预测 (TTC) 的 SOTA 纪录

TL;DR

在自动驾驶领域，早 0.5 秒的预警就能避免 60% 的追尾事故。本文介绍的 CollideNet 是一种新型的双流层次化 Transformer 架构，专门为碰撞时间 (Time-To-Collision, TTC) 预测设计。它创新性地引入了时序解耦（Trend/Seasonality Disentanglement）和多尺度建模，不仅在 CCD 数据集上提升了 30% 的性能，还表现出了极强的跨场景泛化能力。

痛点深挖：为什么 TTC 预测这么难？

TTC 预测不仅是一个回归任务，它要求模型在极其复杂的动态环境下同时理解“大局”和“细节”：

1. 多尺度挑战：模型既要看清近处的突发状况（局部细节），也要把握整体车流趋势（全局背景）。
2. 长程依赖与计算量：标准 Transformer 的 Self-Attention 复杂度是 $O(L^2)$，处理高帧率长视频时内存溢出是家常便饭。
3. 非平稳性 (Non-stationarity)：真实交通事故视频的统计特性（均值、方差）随时间剧烈波动，导致标准模型难以收敛。

核心方法论：CollideNet 的“双流”魔法

1. 空间流：从局部到全局的逐级渗透

CollideNet 并没有采用恒定分辨率的 patch 划分，而是借鉴了 mViTv2 的层次化思想。在早期阶段，模型专注于高分辨率的局部细节；随着层数加深，分辨率降低而特征维度增加，从而捕获全局语义。

2. 时间流：深度解耦与分段注意力

这是本文最惊艳的部分。作者认为视频序列可以像金融曲线一样被拆解：

• 系列解耦 (Series Decomposition)：将视频嵌入拆分为趋势 (Trend) 和季节性 (Seasonality)。趋势代表相对平滑的背景流，季节性捕获前景目标的快速波动。
• 分段相关注意力 (MSSC)：不再进行点对点的计算，而是将时间序列分段，计算段间相关性。这不仅把复杂度降到了线性，还增强了对局部时间结构的建模。

图 1：CollideNet 总体架构，展示了空间分层与时间解耦的协同工作流程。

实验战绩：全线霸榜

研究团队在 DAD、CCD 和 DoTA 三个公开数据集上进行了严苛测试。结果显示，CollideNet 在所有基准测试中均排名第一：

• 精度飞跃：在 CCD 数据集上，MSE（均方误差）从前人最好的 0.53 降到了 0.37，提升幅度达 30%。
• 高效参数量：其参数量约为 51.8M，远低于 VidNeXt (125M) 或 Video-FocalNet (156M)，在性能与规模间取得了极佳平衡。

表 1：CollideNet 与各类主流模型（如 ViViT, Swin Transformer）在三大数据集上的 MSE 对比。

深度洞察：为什么“解耦”有效？

通过可视化发现（见图 A3），解耦后的趋势组件成功捕获了道路整体的运动流，而季节性组件则锚定了具体的车辆和标志。这种“分而治之”的策略降低了 Transformer 学习复杂时间分布的难度。

此外，跨数据集实验（Cross-dataset evaluation）显示，CollideNet 即使在未见过的数据集上也能保持稳定的性能，这对于实际落地到各种城市道路场景具有巨大的工程价值。

总结与展望

CollideNet 证明了：要在极端场景（如碰撞）中做精准预测，不能只靠堆叠算力，必须引入符合物理直觉的归纳偏置（Inductive Bias）。

局限性：尽管参数量有所优化，但由于涉及复杂的双流交互，其推理延迟（125.97ms）相较于轻量化 CNN（如 X3D）仍有提升空间。未来的研究可能会侧重于如何将这种解耦机制集成到更轻量级的 SSM（状态空间模型，如 Mamba）中，以实现更快的端侧响应。

关键词：TTC Forecasting, 时空建模, Hierarchical Transformer, 自动驾驶, 视频表征学习