Een team van onderzoekers heeft een nieuw systeem ontwikkeld dat verkeersongevallen automatisch kan detecteren en classificeren op basis van CCTV-beelden, zonder dat hiervoor gelabelde trainingsdata nodig is. De methode, beschreven in een arxiv.org, behaalt op een officiële benchmark een hogere score dan alle eerder gepubliceerde baselines.
Uitdaging: van ruwe camerabeelden naar gestructureerde ongevalsrapporten
Verkeerscamera's registreren continu ongevallen, maar het omzetten van die ruwe beelden naar gestructureerde gebeurtenisrapporten — met daarin het tijdstip, de locatie en het type botsing — is op grote schaal nog niet opgelost. De ACCIDENT-benchmark, gepresenteerd op de CVPR-conferentie, test precies deze gecombineerde voorspelling onder een strikte voorwaarde: er mag geen gebruik worden gemaakt van gelabelde real-world trainingsdata.
Twee-fasen aanpak zonder training
Het voorgestelde systeem, ontwikkeld door Dipit Saha, Shah Mohammad Abdul Mannan, Mohammad Raihan Rashid, Ruwad Naswan en Ahnaf Tahmid, maakt gebruik van een zogenaamde "training-free, two-pass coarse-to-fine pipeline". Hierbij wordt een bevroren Qwen3-VL-32B-Instruct vision-language-model gekoppeld aan YOLO11x-objectdetectie en BoT-SORT-tracking.
De eerste fase bemonstert spaarzaam de volledige videoclip om het moment van de botsing in de tijd te verankeren. In de tweede fase wordt een nauw venster rond die schatting opnieuw onderzocht, gebruikmakend van frames met stabiele voertuigidentiteiten en genormaliseerde bounding-box-coördinaten. Hierdoor krijgt het model zowel een visuele overlay als een expliciete numerieke beschrijving van dezelfde scène.
Resultaten op de officiële testset
Op de officiële testset van 2.027 echte CCTV-clips behaalt het systeem een drievoudige harmonische gemiddelde score van 0,504. Daarmee overtreft het alle door de organisatoren gepubliceerde baselines, waaronder het beste multi-model-ensemble dat een score van 0,412 haalt. Dat is een relatieve verbetering van 22 procent.
Publicatie en erkenning
Het onderzoek is geaccepteerd voor presentatie op de AUTOPILOT Workshop tijdens CVPR 2026 in Denver, Colorado. De paper is op 9 augustus 2026 ingediend en bevat naast de technische beschrijving ook verwijzingen naar gerelateerd werk op het gebied van computer vision en patroonherkenning.
Context: verkeersinformatie in de praktijk
De ontwikkeling komt op een moment dat verkeersinformatiesystemen steeds belangrijker worden voor weggebruikers. Zo biedt 511ny.org, de officiële verkeersinformatiedienst van de staat New York, real-time updates over wegwerkzaamheden, ongevallen en reistijden. Dergelijke systemen zijn afhankelijk van snelle en accurate detectie van incidenten, iets waar het nieuwe onderzoekssysteem aan kan bijdragen.
De onderzoekers benadrukken dat hun aanpak bijzonder is omdat deze geen gelabelde data nodig heeft, wat de toepasbaarheid in nieuwe omgevingen vergroot. Het systeem kan in principe overal worden ingezet waar CCTV-camera's beschikbaar zijn, zonder dat er eerst een uitgebreide trainingsfase nodig is.
Hoewel de resultaten veelbelovend zijn, merken de auteurs op dat verdere validatie in uiteenlopende verkeerssituaties nodig is. De huidige testset bestaat uit echte CCTV-beelden, maar de vraag blijft hoe het systeem presteert onder verschillende weersomstandigheden, lichtinval en camerahoeken.