論文の概要: Multi-Stage VLM Pipeline for Zero-Shot Traffic Accident Understanding

• arxiv url: http://arxiv.org/abs/2605.29325v1
• Date: Thu, 28 May 2026 04:00:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.65455
• Title: Multi-Stage VLM Pipeline for Zero-Shot Traffic Accident Understanding
• Title（参考訳）: ゼロショット交通事故理解のためのマルチステージVLMパイプライン
• Abstract要約: CVPR 2026 AUTOPILOT Workshopにおいて,アクシデント問題に対する第1位ソリューションについて紹介する。 この課題は、CCTVの映像から事故のタイミング、衝突セントロイド、衝突タイプのゼロショット予測を求めるものである。 235BのMixture-of-Experts兄弟で2回同じパイプラインを走らせ、2つの出力を9:1にブレンドし、最後に予測された各ポイントを最寄りの車両検出にスナップします。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the 1st-place solution to the ACCIDENT challenge at the CVPR 2026 AUTOPILOT Workshop, which asks for zero-shot prediction of accident timing, impact centroid, and collision type from CCTV footage. On a frozen Qwen3-VL-32B-Instruct checkpoint we build a three-stage pipeline (full-video joint prediction, time refinement, and single-frame grounding of the impact centroid), run the same pipeline a second time on a 235B Mixture-of-Experts sibling, blend the two outputs 9:1, and finally snap each predicted point onto the nearest vehicle detection. The final system reaches Public LB 0.55469 / Private LB 0.57080, roughly +0.21 over the strongest host baseline (Molmo-7B, 0.358) and wins the challenge. We ablate each component, report the negative results that shaped the final design, and release the code at https://github.com/fuumin621/cvpr2026-accident-1st-place-solution.
• Abstract（参考訳）: CVPR 2026 AUTOPILOT Workshopでは,事故発生時刻のゼロショット予測,衝突遠心分離型,衝突型をCCTV映像から求めている。 凍結したQwen3-VL-32B-インストラクションチェックポイントでは、3段階のパイプライン(フルビデオのジョイント予測、タイムリファインメント、衝突セントロイドのシングルフレームグラウンド)を構築し、235BのMixture-of-Experts兄弟で2回同じパイプラインを走らせ、2つの出力を9:1にブレンドし、最後に予測された各ポイントを最寄りの車両検出にスナップします。 最終システムはパブリックLB 0.55469 / Private LB 0.57080に到達し、最強のホストベースライン(Molmo-7B, 0.358)の約0.21で勝利した。 それぞれのコンポーネントをアブレーションし、最終設計を形作ったネガティブな結果を報告し、https://github.com/fuumin621/cvpr2026-accident-1st-place-solutionでコードをリリースします。

関連論文リスト

• Zero-Shot Traffic Accident Detection via a Coarse-to-Fine VLM-Tracking Pipeline [0.10874100424278173]
  ACCIDENT @ CVPRベンチマークは、厳密な制約の下で、この共同予測を正確に評価する。 我々は,凍結したQwen3-VL-32B-インストラクション視覚言語モデルとYOLO11xオブジェクト検出とBoT-SORTトラッキングを組み合わせた,トレーニングフリーで2パスの粗いパイプラインを提案する。 公式の2,027クリップの実CCTVテストセットにおいて,本システムは0.504の3方向高調波平均スコアを達成した。
  論文  参考訳（メタデータ） (2026-08-09T19:08:56Z)
• Camera and LiDAR BEV Fusion for Cooperative 3D Object Detection on TUMTraf V2X [3.1508266388327324]
  本稿では、TUMTraf V2XによるDriveX 2026チャレンジの3Dオブジェクト検出トラックのために開発されたカメラとLiDAR融合検出器について述べる。 この検出器は3つの道路カメラを融合させ、インフラと車両の点の雲を共有の鳥の目視空間で撮影する。 モデルは、公開ベータのCodaテストスプリットで0.85の3D mAPに達する。
  論文  参考訳（メタデータ） (2026-06-11T07:14:10Z)
• A VideoMAE-v2 Approach to Zero-Shot Traffic Accident Anticipation [20.309082260025992]
  本稿では,フレームレベルの時間的リスク推定タスクと,粗いラベル付き2値事故データセットとのギャップを埋める枠組みを提案する。 本手法は,2026年CVPR@AUTOPILOTゼロショット事故予測大会で2位となる。
  論文  参考訳（メタデータ） (2026-06-08T14:25:16Z)
• Two-Pass Zero-Shot Temporal-Spatial Grounding of Rare Traffic Events in Surveillance Video [0.0]
  実際のCCTV映像における地上交通事故は、ラベル付き事故映像のトレーニングがしばしば禁止される希少な問題である。 我々は、凍結した視覚言語モデルからこのジョイント出力を引き出す、微調整のパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-05-02T16:05:44Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• A Modular Zero-Shot Pipeline for Accident Detection, Localization, and Classification in Traffic Surveillance Video [0.0]
  ACCIDENT @ CVPR 2026 チャレンジのために開発されたゼロショットパイプラインについて述べる。 この課題は、実世界のトレーニングデータをラベル付けすることなく、監視ビデオでいつ、どこで、どのような交通事故が発生するかを予測する必要がある。 我々の方法は問題を3つの独立したモジュールに分離する。
  論文  参考訳（メタデータ） (2026-04-05T05:18:19Z)
• Collision-Aware Vision-Language Learning for End-to-End Driving with Multimodal Infraction Datasets [7.932761533792761]
  高屈折率は、エンド・ツー・エンド(E2E)自動運転の主要なボトルネックである。 VLAAD(Video-Language-Augmented Anomaly Detector)を開発した。 VLAADは衝突対応のプラグインモジュールで、既存のE2E駆動モデルにシームレスに統合できる。
  論文  参考訳（メタデータ） (2026-03-26T22:32:52Z)
• LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels [49.35636088613484]
  JEPA(Joint Embedding Predictive Architectures)は、コンパクトな潜在空間で世界モデルを学習するための魅力的なフレームワークを提供する。 最初のJEPAであるLeModelWorldを紹介します。 数時間で1つのGPU上で15万のパラメータをトレーニングできるため、LeWMはファンデーションモデルベースの世界モデルよりも48倍高速に計画している。
  論文  参考訳（メタデータ） (2026-03-13T19:48:14Z)
• Collision Avoidance Detour for Multi-Agent Trajectory Forecasting [8.680676599607123]
  2023年のオープンデータセットチャレンジ - Sim Agentsで3位を獲得したCollision Avoidance Detour(CAD)を紹介します。 動作予測因子化の要件を満たすため,有効な対象を,自律走行車(ADV),ワールドトラック・トゥ・予測,ワールドトラックの3つの排他的セットに分割する。
  論文  参考訳（メタデータ） (2023-06-20T16:05:24Z)
• CabiNet: Scaling Neural Collision Detection for Object Rearrangement with Procedural Scene Generation [54.68738348071891]
  私たちはまず、さまざまな日常環境において、650万以上の散らばったシーン(前よりも桁違いに多い)を生成します。 このデータから合成部分点雲をレンダリングし、それをCabiNetモデルアーキテクチャのトレーニングに使用します。 CabiNetは、オブジェクトとシーンポイントの雲を受け入れる衝突モデルである。
  論文  参考訳（メタデータ） (2023-04-18T21:09:55Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• COPILOT: Human-Environment Collision Prediction and Localization from Egocentric Videos [62.34712951567793]
  エゴセントリックな観測から人間と環境の衝突を予測する能力は、VR、AR、ウェアラブルアシストロボットなどのアプリケーションにおける衝突回避を可能にするために不可欠である。 本稿では、ボディマウントカメラから撮影した多視点エゴセントリックビデオから、多様な環境における衝突を予測するという課題を紹介する。 衝突予測と局所化を同時に行うために,COPILOTと呼ばれるトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-04T17:49:23Z)
• Object Rearrangement Using Learned Implicit Collision Functions [61.90305371998561]
  本研究では,シーン内の6DOFオブジェクトのポーズに対して,シーンとクエリ対象点の雲を受け付け,衝突を予測できる学習的衝突モデルを提案する。 我々は,テーブルトップ再構成タスクにおけるモデル予測経路積分(MPPI)ポリシーの一部として,学習された衝突モデルを活用する。 学習モデルは従来のパイプラインよりも優れており、シミュレーションされた衝突クエリのデータセット上では9.8%の精度で学習精度が向上している。
  論文  参考訳（メタデータ） (2020-11-21T05:36:06Z)
• Global Feature Aggregation for Accident Anticipation [8.57961305383434]
  本稿では,フレーム内の全てのオブジェクトの特徴の重み付け和を計算することで,各オブジェクトの特徴を洗練させる新しい特徴集約(FA)ブロックを提案する。 FAブロックとLong Short Term Memory (LSTM) ネットワークを併用して,ビデオシーケンスにおける事故の予測を行う。
  論文  参考訳（メタデータ） (2020-06-16T06:17:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。