大型语言模型在视频碰撞检测中的应用：方法、数据集与挑战综述
Large Language Models for Crash Detection in Video: A Survey of Methods, Datasets, and Challenges
AI总结：
本文综述了利用大型语言模型从视频中进行碰撞检测的方法，提出了融合策略分类法，总结了数据集、模型架构和性能基准，并讨论了挑战与机遇，为该交叉领域未来研究奠定基础。
摘要：
从视频流中进行碰撞检测是智能交通系统中的关键问题。大型语言模型（LLMs）和视觉语言模型（VLMs）的最新发展已改变了我们处理、推理和总结多模态信息的方式。本文综述了利用LLMs从视频数据进行碰撞检测的最新方法。我们提出了融合策略的结构化分类法，总结了关键数据集，分析了模型架构，比较了性能基准，并讨论了当前的挑战与机遇。我们的综述为这一快速发展的视频理解与基础模型交叉领域中的未来研究奠定了基础。
英文摘要：
Crash detection from video feeds is a critical problem in intelligent transportation systems. Recent developments in large language models (LLMs) and vision-language models (VLMs) have transformed how we process, reason about, and summarize multimodal information. This paper surveys recent methods leveraging LLMs for crash detection from video data. We present a structured taxonomy of fusion strategies, summarize key datasets, analyze model architectures, compare performance benchmarks, and discuss ongoing challenges and opportunities. Our review provides a foundation for future research in this fast-growing intersection of video understanding and foundation models.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
