論文の概要: Zero-Shot Traffic Accident Detection via a Coarse-to-Fine VLM-Tracking Pipeline
- arxiv url: http://arxiv.org/abs/2608.08867v1
- Date: Sun, 09 Aug 2026 19:08:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.977505
- Title: Zero-Shot Traffic Accident Detection via a Coarse-to-Fine VLM-Tracking Pipeline
- Title（参考訳）: 粗いVLMトラックパイプラインによるゼロショット交通事故検出
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.10874100424278173
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic surveillance cameras capture accidents continuously, yet converting raw CCTV footage into structured event records that pinpoint when, where, and what type of collision occurred remains unsolved at scale. The ACCIDENT @ CVPR benchmark evaluates exactly this joint prediction under a strict constraint: no labeled real-world training data is available. We introduce a training-free, two-pass coarse-to-fine pipeline that pairs a frozen Qwen3-VL-32B-Instruct vision-language model with YOLO11x object detection and BoT-SORT tracking. A first pass sparsely samples the full clip to anchor the collision moment in time; a second pass re-examines a tight window around that estimate using frames annotated with stable vehicle identities and normalized bounding-box coordinates, which gives the model both a visual overlay and an explicit numeric description of the same scene. On the official 2,027-clip real-CCTV test set, our system achieves a three-way harmonic mean score of 0.504, surpassing all organizer-published baselines including the best multi-model ensemble (0.412) by a 22% relative margin.
- Abstract（参考訳）: 交通監視カメラは事故を継続的に撮影するが、生のCCTV映像を構造化されたイベント記録に変換して、いつ、どこで、どんな衝突が起きたのかを特定できる。
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。
第1のパスは、衝突の瞬間をアンカーするために全クリップをスパースにサンプリングし、第2のパスは、安定した車両識別と正規化されたバウンディングボックス座標でアノテートされたフレームを使用して、その推定の周囲の厳密なウィンドウを再検査し、同じシーンの視覚的オーバーレイと明示的な数値記述の両方を与える。
公式の2,027clip実CCTVテストセットでは、3方向のハーモニック平均スコアが0.504となり、最も優れたマルチモデルアンサンブル(0.412)を含むオーガナイザ出版ベースラインを22%の差で上回った。
関連論文リスト
- Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。
この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
論文 参考訳（メタデータ） (2026-09-07T15:16:15Z) - SynCrash: A Multi-Stage Pipeline for Zero-Shot Accident Detection and Localization in Traffic Surveillance Video [0.0]
CCTVビデオにおけるゼロショット事故検出,空間的局所化,衝突型分類のためのパイプラインであるSynCrashを提案する。
CVPR 2026 Challengeでは,事故発生時の予測,フレーム内の衝突の発生状況,衝突の種類などについて検討した。
論文 参考訳（メタデータ） (2026-08-30T12:42:59Z) - SC3-Eval: Evaluating Robot Foundation Models via Self-Consistent Video Generation [73.2142090645987]
SC3-Evalは、事前訓練されたビデオ基盤モデルを正確なポリシー評価器に適合させる自己一貫性のあるビデオ生成レシピである。
SC3-Evalロールアウトは、実世界のロールアウトでポリシーが示す障害モードを再現し、詳細な診断比較をサポートする。
論文 参考訳（メタデータ） (2026-06-17T02:15:46Z) - 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) - ACCIDENT: A Benchmark Dataset for Vehicle Accident Detection from Traffic Surveillance Videos [0.0]
ACCIDENTはCCTVの映像における交通事故検出のためのベンチマークデータセットである。
教師付き(IIDとOOD)およびゼロショット設定でモデルを評価するように設計されている。
論文 参考訳（メタデータ） (2026-04-10T18:51:19Z) - 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) - COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである
フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。
TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
論文 参考訳（メタデータ） (2026-03-25T07:20:27Z) - XLD: A Cross-Lane Dataset for Benchmarking Novel Driving View Synthesis [84.23233209017192]
本稿では,新しい駆動ビュー合成評価のための合成データセットを提案する。
トレーニングコースから逸脱した画像を1～4ドル(約1,400円)で撮影する。
我々は、フロントオンリーおよびマルチカメラ設定下で、既存のNVSアプローチを評価するための最初の現実的なベンチマークを確立する。
論文 参考訳（メタデータ） (2024-06-26T14:00:21Z) - 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) - Augmenting Ego-Vehicle for Traffic Near-Miss and Accident Classification
Dataset using Manipulating Conditional Style Translation [0.3441021278275805]
事故が起こる前の事故と近距離事故には差はない。
我々の貢献は、事故の定義を再定義し、DADA-2000データセットにおける事故の不整合を再注釈することである。
提案手法は、条件付きスタイル変換(CST)と分離可能な3次元畳み込みニューラルネットワーク(S3D)の2つの異なるコンポーネントを統合する。
論文 参考訳（メタデータ） (2023-01-06T22:04:47Z)
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。