视频至文本行人监测（VTPM）：利用计算机视觉和大型语言模型实现交叉口隐私保护的行人活动监测

现有行人检测器在跨数据集评估中表现不佳，主要由于训练数据源不够密集和多样化。

提出了一种通过合成数据构建深度虚拟到现实蒸馏框架，以提高行人过马路的预测性能。

基于在线地图的行人检测系统能够学习常见行人位置，并在行人接近车辆时生成警告通知。

引入创新的综合数据集以增强智能城市中的计算机视觉和动作识别系统，推动交通事故检测的研究。

通过多模式模型为盲人和低视力人群提供安全评分和场景描述，支持安全决策。

事件相机在交通监控中的潜力被证实，为研究和应用开辟了新的途径。

研究创建并验证了一个先进的深度学习框架，YOLOv8 Large版本在行人识别方面表现出高准确性和鲁棒性。

提出了一种新的安全衡量标准Predicted Post-Encroachment Time (P-PET)，改进了行人风险评估的效果和可靠性。

对基于事件的行人检测的基本原理、优势与劣势进行了详细回顾，并展望未来发展。