論文の概要: FPV-CRASH: A Dataset for Offline Crash Moment Localization in Drone First-Person-View Videos

• arxiv url: http://arxiv.org/abs/2610.19785v1
• Date: Wed, 14 Oct 2026 08:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.037848
• Title: FPV-CRASH: A Dataset for Offline Crash Moment Localization in Drone First-Person-View Videos
• Title（参考訳）: FPV-CRASH: ドローンファーストパーソンビュービデオにおけるオフラインクラッシュモーメントローカライゼーションのためのデータセット
• Abstract要約: Crash Momentのローカライゼーションは、ドローンが記録したFPV(ファースト・パーソナライズ・ビュー)ビデオで飛行を制御する大きな物理的インパクトをローカライズすることを目的としている。 ドローンFPVビデオにおけるオフラインCrash MomentローカライゼーションのためのデータセットであるFPV-CRASHを提案する。
• 参考スコア（独自算出の注目度）: 30.28058385628611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crash Moment Localization aims to localize the major physical impact that interrupts controlled flight in an onboard first-person-view (FPV) video recorded by a drone, thereby providing a temporal reference for retrospective crash analysis in aerial robotics. However, existing crash-video datasets predominantly target surveillance or dash-camera footage, and their annotation schemes and task formulations are not designed for temporal localization of the major physical impact in UAV onboard FPV videos. To address this gap, we present FPV-CRASH, a dataset and fixed-protocol reference evaluation for offline Crash Moment Localization in drone FPV videos. FPV-CRASH contains 1,052 drone FPV clips (526 Crash and 526 Normal); each Crash clip has a single-frame reference annotation for the Crash Moment, and every clip is paired with four English captions automatically generated from sampled frames and the known Crash/Normal label. Normal clips carry no timestamp target and provide training-time background supervision. The captions support an auxiliary Text-to-Video Retrieval task, whereas localization inference remains video-only. We further provide a heatmap-based reference model that estimates a continuous Crash Moment timestamp from sparsely sampled frames. Under the fixed, non-source-disjoint clip-level protocol, the reference model reduces MAE from 1.12 s for the strongest fixed timing-prior baseline to 0.56 s (a 50% relative reduction) and achieves a median absolute error (MedAE) of 0.33 s; the fraction of clips localized within 0.5 s rises from 37.14% to 65.71%. The release includes annotations, available source video identifiers and URLs, clipping metadata, fixed split lists, and preprocessing code so that the reportable portion can be reconstructed without redistributing source footage. At submission time, all source-compilation URLs remained accessible.
• Abstract（参考訳）: クラッシュモーメントローカライゼーション(Crash Moment Localization)は、ドローンが記録したファースト・パーソナライズ・ビュー(FPV)ビデオにおいて、制御された飛行を中断する大きな物理的影響をローカライズすることを目的としている。 しかし、既存のクラッシュビデオデータセットは、主に監視やダッシュカメラの映像をターゲットにしており、それらのアノテーションスキームやタスクの定式化は、UAV搭載のFPVビデオにおける大きな物理的影響の時間的局所化のために設計されていない。 このギャップに対処するため、FPV-CRASHは、ドローンFPVビデオにおけるオフラインCrash Moment Localizationのためのデータセットおよび固定プロトコール参照評価である。 FPV-CRASHには1,052のドローンFPVクリップ(526のクラッシュと526のノーマル)が含まれており、各CrashクリップはCrash Momentの単一のフレーム参照アノテーションを持ち、各クリップはサンプルフレームと既知のCrash/Normalラベルから自動的に生成された4つの英語キャプションとペアリングされる。 通常のクリップはタイムスタンプのターゲットを持たず、トレーニング時のバックグラウンド監視を提供する。 キャプションは補助的なテキスト・ツー・ビデオ検索タスクをサポートし、ローカライゼーション推論はビデオのみである。 さらに,スパースサンプリングフレームから連続的なクラッシュモーメントタイムスタンプを推定するヒートマップに基づく参照モデルを提案する。 固定された非ソースのクリップレベルプロトコルの下では、参照モデルは、最強の固定タイミング優先ベースラインのMAEを1.12秒から0.56秒(50%の相対還元)に減らし、中央値の絶対誤差(MedAE)を0.33秒とし、0.5秒以内にローカライズされたクリップの割合は37.14%から65.71%に上昇する。 このリリースには、アノテーション、利用可能なソースビデオ識別子とURL、メタデータのクリップ、固定された分割リスト、および前処理コードが含まれており、ソース映像を再配布することなく、レポート可能な部分を再構築することができる。 提出時点では、すべてのソースコンパイルURLが引き続きアクセス可能であった。

関連論文リスト

• Dancing Stick Figures: An Introductory Dataset for Training Video Generation Models [0.0]
  Dancing Stick Figuresは,3つの障害に対して構築された合成ビデオデータセットだ。 スピードに関しては、64x64の64フレーム参照タスクは、単一のワークステーションGPUで実際に繰り返しトレーニングするためにサイズが大きすぎる。 アクセシビリティーのために、このリリースは4,020本のビデオクリップ-1,340本の6秒のソースモーションの0.79GBのトレーニングティアである。
  論文  参考訳（メタデータ） (2026-08-29T08:03:19Z)
• 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)
• Rethinking the Readout: Unlocking Video Backbones for AI-Generated Video Detection [27.159823883012738]
  標準的なグローバルな読み出し機能を備えたビデオバックボーンは、AIGVベンチマークにおいて、強い画像事前学習プローブを上回りません。 本稿では,2つの並列ストリームで集約層のみを置き換える軽量な読み出しであるVelocity Gated Patch Velocity Profiling (V-PVP)を提案する。 V-PVPは、エンドツーエンドの微調整とリニアなプローブ設定の両方で、多様なビデオバックボーンのパフォーマンスを継続的に改善する。
  論文  参考訳（メタデータ） (2026-07-16T07:57:31Z)
• 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)
• FFP-300K: Scaling First-Frame Propagation for Generalizable Video Editing [97.35186681023025]
  FFP-300Kは、720p解像度と81フレームの高忠実度ビデオペアの大規模データセットである。 本稿では,第1フレームの外観維持とソース映像の動作保存の緊張を解消する,真の誘導不要なFFPのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-05T01:46:22Z)
• From Play to Replay: Composed Video Retrieval for Temporally Fine-Grained Videos [48.666667545084835]
  Composed Video Retrieval(CoVR)は、クエリビデオと、意図した変更を記述した修正テキストが与えられたターゲットビデオを取得する。 TF-CoVRは、時間的にきめ細かなCoVRに特化した最初の大規模ベンチマークである。 TF-CoVRは体操とダイビングに重点を置いており、FinGymとFineDivingから180Kのトリプルを提供している。
  論文  参考訳（メタデータ） (2025-06-05T17:31:17Z)
• Structured Video Tokens @ Ego4D PNR Temporal Localization Challenge 2022 [93.98605636451806]
  本報告では、Ego4D Point of No Return (PNR) におけるSViTアプローチについて述べる。 トレーニング中にのみ利用できる少数の画像の構造を利用することで、ビデオモデルを改善することができる学習フレームワークを提案する。 SViTは、0.656の絶対時間的局所化誤差を持つチャレンジテストセットで強い性能を得る。
  論文  参考訳（メタデータ） (2022-06-15T17:36:38Z)
• Beyond Short Clips: End-to-End Video-Level Learning with Collaborative Memories [56.91664227337115]
  本稿では,ビデオの複数のサンプルクリップにまたがる情報を,トレーニングイテレーション毎にエンコードするコラボレーティブメモリ機構を提案する。 これにより、単一のクリップ以上の長距離依存関係の学習が可能になる。 提案するフレームワークはエンドツーエンドでトレーニング可能で,計算オーバーヘッドが無視できないビデオ分類精度が大幅に向上する。
  論文  参考訳（メタデータ） (2021-04-02T18:59:09Z)

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。