用AI自动生成代码挖掘交通场景，提升少样本下识别准确率。
Claude Code-Driving Scenario Mining for the Argoverse 2 Challenge
- 通过大模型自动生成代码，实现端到端场景挖掘
- 采用时间戳平衡准确率0.8筛选训练数据，提升少样本效果
- 多阶段验证机制有效降低误报，适合自动驾驶场景研究者
我们提交了参加CVPR 2026年Argoverse 2场景挖掘挑战的方案。系统采用四阶段流程：(1) 基于GLM~5.1的Claude Code代理自动产生代码；(2) 通过时间戳平衡准确率阈值0.8迭代筛选训练集，构建少样本示例；(3) 由独立的Claude Code会话进行语义代码审查；(4) 使用Qwen3-VL进行场景级验证以过滤误报。实验在Argoverse 2测试集上进行。
原文摘要 · Abstract (English)
We present our submission to the CVPR 2026 Argoverse 2 Scenario Mining Challenge. Our system uses a four-stage pipeline: (1) autonomous code generation via a Claude Code agent powered by GLM~5.1, (2) iterative training set screening with Timestamp Balanced Accuracy threshold 0.8 to curate few-shot examples, (3) semantic code review by a separate Claude Code session, and (4) Qwen3-VL scene-level verification to filter false positives. We report results on the Argoverse 2 test set.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。