FPV-CRASH：无人机第一视角坠机时刻定位数据集发布

无人机竞速和自由飞行中，炸机往往发生在瞬息之间。事后复盘时，飞手最想知道的是「到底在哪一帧失控」。然而现有坠机视频数据集几乎都来自监控摄像头或行车记录仪，其标注方式和任务定义并不适合无人机机载第一视角（FPV）视频中的物理撞击时刻定位。

针对这一空白，研究者发布了 FPV-CRASH——一个面向离线坠机时刻定位的数据集与固定协议评测基准。

任务定义：什么是坠机时刻定位

Crash Moment Localization（坠机时刻定位）的目标，是在无人机机载 FPV 视频中定位那个打断受控飞行的主要物理撞击时刻，从而为空中机器人的事后坠机分析提供时间参考。

这个任务与通用视频异常检测的关键区别在于：它要求的是单帧级别的时间戳回归，而非片段级的二分类。视频只有两类标签——Crash 或 Normal，但 Crash 片段必须给出唯一的参考帧标注。Normal 片段不携带时间戳目标，仅在训练时提供背景监督信号。

推理阶段保持纯视频输入，不依赖任何文本提示，这一点对实际部署至关重要。

单帧级时间戳回归与片段级二分类的差别，不只是输出粒度的变化，而是损失函数与评价体系的重构。片段级二分类通常使用交叉熵损失，评价指标是准确率、F1 或 AUC；而时间戳回归需要对连续时间轴建模，通常输出一个热力图或概率分布，再通过期望或峰值定位得到标量时间，损失可以是 L1、L2 或基于高斯软标签的 KL 散度。评价则转为 MAE、MedAE 以及「误差小于某阈值」的命中率。这种转变带来两个实际后果：一是模型必须对时间位置敏感，而非只对内容类别敏感；二是标注成本大幅上升，因为每个正样本都需要人工确认唯一参考帧，而二分类只需确认片段是否包含事件。

数据集构成与标注方案

FPV-CRASH 共包含 1,052 段无人机 FPV 视频片段，Crash 与 Normal 各 526 段，类别完全均衡。每段 Crash 片段带有单帧参考标注，标记坠机时刻。

说个细节其辅助标注设计：每段视频都配有四条英文描述（caption），由采样帧和已知的 Crash/Normal 标签自动生成。这些描述支撑一个辅助的文本到视频检索任务（Text-to-Video Retrieval），但定位推理本身仍然只用视频——caption 只是训练期的额外监督，不会在测试时引入文本捷径。

这种「训练多模态、推理单模态」的设计，既利用了语言信号帮助模型学习更有区分度的表征，又避免了推理时对文本的依赖。

文本到视频检索（Text-to-Video Retrieval）是跨模态检索的一个子任务：给定一句自然语言描述，从视频库中找出语义最匹配的视频片段。典型做法是分别用文本编码器和视频编码器把两种模态映射到同一嵌入空间，再通过对比学习拉近匹配对、推远非匹配对。在 FPV-CRASH 中引入这一辅助任务，目的不是做检索本身，而是让视频编码器在训练时被迫学习与语言语义对齐的表征。由于 caption 是由采样帧和已知标签自动生成的，语言信号主要提供「坠机 / 正常」的语义对比，帮助模型区分两类运动的时序模式。推理时去掉文本分支，只保留视频编码器与时间定位头，因此不会产生对文本输入的依赖。

参考模型与量化结果

研究者提供了一个基于热力图的参考模型，从稀疏采样的帧中估计连续的坠机时刻时间戳。

在固定、非源分离（non-source-disjoint）的片段级协议下，结果如下：

指标	最强固定时序先验基线	FPV-CRASH 参考模型
MAE	1.12 s	0.56 s（相对降低 50%）
MedAE	—	0.33 s
0.5 s 内定位比例	37.14%	65.71%

平均绝对误差减半、中位绝对误差做到 0.33 秒、0.5 秒内命中率接近翻倍，说明从稀疏帧中回归连续时间戳这条路径在 FPV 坠机场景下是可行的。

需要留意的是「非源分离」这一协议设定：同一源视频可能同时出现在训练和测试划分中，因此上述数字更应被视为参考实现的上限参考，而非跨域泛化能力的证明。

非源分离（non-source-disjoint）指数据划分时没有按源视频分组：同一段原始视频切出的不同片段可能分别落入训练集和测试集。由于相邻片段在场景、光照、飞行轨迹上高度相似，模型可能通过记忆源视频的视觉特征而在测试集上获得偏高的表现。与之相对的「源分离」协议要求同一源视频的所有片段只出现在一个划分中，更接近跨域泛化场景。因此，非源分离下的 MAE 0.56s 应理解为同一分布内的参考上限；若换成源分离协议，误差通常会上升。论文明确标注这一设定，正是为了让读者正确解读数字的适用范围，而不是把它当作模型在全新无人机、全新场景上的泛化能力证明。

可复现性与数据发布方式

FPV-CRASH 的发布包含标注文件、可用的源视频标识与 URL、剪辑元数据、固定划分列表以及预处理代码。

这种发布方式的巧妙之处在于：报告所需的部分可以重建，但不必重新分发原始视频素材，规避了版权与存储问题。据论文说明，提交时所有源视频编译 URL 仍可访问。

对于从事空中机器人安全分析、视频时序定位或第一视角视觉研究的团队来说，这是一个可以直接上手复现的基准。

为什么这个数据集值得关注

坠机视频天然稀缺且难以标注——真实的炸机素材往往来自飞手个人投稿，视角抖动剧烈、运动模糊严重，撞击瞬间可能只持续一两帧。

FPV-CRASH 把问题从「这段视频是不是坠机」推进到「坠机发生在哪一帧」，任务难度上了一个台阶，但更贴近工程需求：事故调查、飞控日志对齐、保险定责都需要精确的时间锚点。

随着无人机自主飞行和竞速场景的扩张，这类针对机载第一视角的专用数据集，可能会成为安全分析工具链的基础设施。

固定协议评测基准（fixed-protocol benchmark）的核心价值在于可比较性。如果每个研究团队自行划分数据、自行定义评价指标，那么不同论文报告的 MAE 就缺乏可比性，也无法判断改进来自模型还是来自更有利的数据划分。FPV-CRASH 提供固定的训练/测试划分列表、统一的标注格式和明确的评价指标（MAE、MedAE、阈值命中率），使后续工作可以在同一把尺子下衡量。这种设计在视频时序定位领域已有先例，例如 ActivityNet 和 THUMOS 对动作定位的标准化。对于坠机分析这种安全攸关的任务，固定协议还能减少「指标好看但部署无效」的风险，因为所有方法都面对相同的测试分布和相同的输入约束。