論文の概要: From Wrecks to Wisdom: Recovering Crash Mechanics from Real-World Multi-View Photos

• arxiv url: http://arxiv.org/abs/2609.39486v1
• Date: Wed, 30 Sep 2026 10:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.589952
• Title: From Wrecks to Wisdom: Recovering Crash Mechanics from Real-World Multi-View Photos
• Title（参考訳）: WrecksからWisdom:現実世界のマルチビュー写真からクラッシュメカニックを復元する
• Abstract要約: 現実の事故から事故力学を推定することは、車両安全分析、損傷モデリング、事故重大度予測、保険請求トリアージのような運用において重要である。 構造信号が欠如している場合,車両写真から直接,衝突・機械的情報を取り出すことができるかを検討する。 我々は、ケースごとの多視点写真集合からの教師付き予測として、クラッシュ理解を定式化する。
• 参考スコア（独自算出の注目度）: 0.30586855806896035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating accident mechanics from real-world crashes is important for vehicle-safety analysis, injury modeling, crash-severity prediction, and operational workflows such as insurance claim triage. In standard crash records, key metadata such as impact configuration, principal direction of force, and change in velocity ($ΔV$) may be missing, delayed, or corrupted, while post-crash photographs are widely available and contain rich visual evidence of deformation. We study how much crash-mechanics information can be recovered directly from vehicle photos when structured signals are absent. We formulate crash understanding as supervised prediction from per-case multi-view photo sets. Targets include six Collision Deformation Classification (CDC) descriptors and the longitudinal and lateral components of reconstructed $ΔV$. Each photo is encoded by a shared visual backbone, and the resulting view-level features are fused into a case-level representation from which target-specific heads predict crash descriptors. Using 15.2k training cases from the Crash Investigation Sampling System, drawn from about 1.5M photos before filtering, together with 1.15k validation and 1.15k test cases, we define an evaluation protocol for vision-based crash descriptor estimation from incomplete multi-view evidence. Post-crash imagery alone provides usable signal for several non-trivial crash-mechanics descriptors, while weakly observable and long-tailed targets remain challenging. Within the compared training regimes, the selected joint-training recipe reduces mean absolute angular error for principal direction of force from 20.1 to 14.05 degrees and longitudinal $ΔV$ MAE from 8.04 to 7.45 km/h. Our work provides a reference point for future multimodal fusion with structured crash metadata.
• Abstract（参考訳）: 現実の事故から事故力学を推定することは、車両安全分析、損傷モデリング、事故重大度予測、保険請求トリアージのような運用ワークフローにおいて重要である。 標準的なクラッシュ記録では、衝撃構成、力の主方向、速度の変化(ΔV$)といった重要なメタデータが欠落したり、遅れたり、破損したりすることがあるが、ポストクラッシュ写真は広く利用でき、変形のリッチな視覚的証拠を含んでいる。 構造信号が欠如している場合,車両写真から直接,衝突・機械的情報を取り出すことができるかを検討する。 我々は、ケースごとの多視点写真集合からの教師付き予測として、クラッシュ理解を定式化する。 ターゲットには、6つの衝突変形分類(CDC)記述子と、再建された$ΔV$の縦および横成分が含まれる。 各写真は共有された視覚的バックボーンによって符号化され、その結果得られるビューレベルの特徴は、ターゲット固有のヘッドがクラッシュディスクリプタを予測するケースレベルの表現に融合される。 衝突調査サンプリングシステム(Crash Investigation Smpling System)の15.2kのトレーニングケースを用いて,フィルタ前の約1.5万枚の写真と1.15kの検証と1.15kのテストケースを用いて,不完全なマルチビューエビデンスからの視覚ベースのクラッシュ記述子推定のための評価プロトコルを定義する。 クレーシュ後の画像だけでは、いくつかの非自明なクラッシュメカニックディスクリプタに対して使用可能な信号を提供するが、弱い観測と長い尾のターゲットは難しいままである。 比較した訓練体制の中で、選択された共同訓練のレシピは、力の主方向の平均絶対角誤差を20.1度から14.05度、縦方向の$ΔV$ MAEを8.04度から7.45km/hに減少させる。 我々の研究は、将来のマルチモーダル融合と、構造化されたクラッシュメタデータの参照ポイントを提供する。

関連論文リスト

• How vehicles change lanes after encountering crashes: Empirical analysis and modeling [21.185352574424165]
  本研究では,ポストクラッシュLCの挙動特性と動作パターンについて検討した。 実験により, 義務LCと比較して, ポストクラッシュLCは長寿命, 挿入速度の低下, クラッシュリスクの増大が認められた。 我々は,ポストクラッシュLCのための新しい軌道予測フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-01-13T01:37:54Z)
• NsBM-GAT: A Non-stationary Block Maximum and Graph Attention Framework for General Traffic Crash Risk Prediction [11.444259609536164]
  既存の衝突リスク予測モデルは、研究者が危険とみなす仮説上のシナリオに依存している。 ダッシュカムビデオは、個々の車のクレーシュ前動作を撮影するが、周囲の車両の動きに関する重要な情報を欠いていることが多い。 本研究では,車両とその周辺車両間の対話的挙動を捉えるために,新しい非定常極値理論(EVT)を提案する。
  論文  参考訳（メタデータ） (2025-03-06T02:12:40Z)
• CrashFormer: A Multimodal Architecture to Predict the Risk of Crash [1.3194391758295112]
  事故予測は交通安全を改善するための鍵であり、事故が起こる前に前向きな措置をとることができる。 事故履歴,気象情報,地図画像,人口統計情報などの総合的な入力を利用するマルチモーダルアーキテクチャであるCrashFormerを提案する。 このモデルは、地理的に5.161平方キロメートルの位置において、合理的に許容できるケイデンス(すなわち6時間毎に)における事故の将来のリスクを予測する。
  論文  参考訳（メタデータ） (2024-02-07T13:09:23Z)
• 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)
• Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
  本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。 我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-12-19T11:43:02Z)
• Crash Report Data Analysis for Creating Scenario-Wise, Spatio-Temporal Attention Guidance to Support Computer Vision-based Perception of Fatal Crash Risks [8.34084323253809]
  本稿では,致命的な事故報告データからシナリオ的,時空間的注意誘導というデータ分析モデルを開発した。 検出されたオブジェクトの環境からの致命的なクラッシュとコンテキスト情報との関係を推定する。 本研究は, 予備CVモデルの設計と実装において, 改良された注意指導がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2021-09-06T19:43:37Z)

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。