知识卡片：EgoPolice：高风险警察随身摄像机视频的自我中心理解基准

一句话结论

EgoPolice 是一个由真实警察随身摄像机视频构成的基准数据集，用于评估模型在高风险、快速运动场景下的自我中心视频理解能力。测试表明，当前最强视频模型（如 Gemini 2.5 Pro）在预测“掏枪”等高风险动作时仍表现不佳。

事件概述或研究问题

警察随身摄像机（body‑worn camera）产生了大量第一人称视角视频，但有效分析其中关键行为（如暴力冲突、武器出现）非常困难。现有视频理解模型多针对平稳、预设场景，难以处理警民互动中常见的剧烈抖动、密集交互和稀有高风险事件。EgoPolice 旨在填补这一空白，提供一个专门针对执法场景的挑战性基准。

方法/产品要点

• 数据集构建：从公开的警察随身摄像机视频中精心筛选真实警民互动片段，以秒级粒度标注对警务行为研究至关重要的动作标签（如“掏枪”、“压制”等）。
• 任务设置：提供两种任务——行为分类与多选题问答（multiple‑choice question‑answering）。
• 基准测试：评估了开源和闭源模型，包括 Gemini 2.5 Pro 等顶级视频模型。
• 关键特征：视频包含快速不规则的相机运动、密集人体交互以及稀有高风险事件，对运动鲁棒性和上下文感知能力提出高要求。

主要结果或产业意义

• 当前模型表现：即使最好的模型 Gemini 2.5 Pro 也无法准确预测“Weapon Out”（掏枪）等高危动作。
• 产业意义：该数据集可作为开发更高效视频分析模型的基础，帮助大规模执法视频库的自动审查，减少人工审核负担。

为什么重要

• 首次系统性地将自我中心视频理解与执法场景结合，提供了真实、具有挑战性的基准。
• 揭示了当前视频模型在处理极端运动、密集交互和不平衡类别（稀有事件）时的局限性。
• 为警务行为研究、公共安全、AI 伦理等交叉领域提供标准化评估工具。

局限与不确定性

• 论文未明确说明数据集的总时长、视频数量和标注类别的具体统计信息（待核实）。
• 所有视频均来自公开来源，可能存在代表性偏差或隐私处理问题（待核实）。
• 仅测试了部分视频模型，未包含最新或特定领域专用模型（待核实）。

可用于图书/PPT/简报的角度

• 从 AI 视频理解的现实挑战切入：为何“看清警察随身摄像机画面”比想象中难。
• 以“枪支检测”为例，展示模型在高风险场景下的可靠性与伦理风险。
• 结合警方流程，介绍自动化工具如何在保证准确性的前提下提升人工审查效率。

原始材料

• 英文标题：EgoPolice: A Benchmark for Egocentric Video Understanding in High-Stakes Police Body-Worn Camera Footage
• 英文关键词：Egocentric video understanding, police body-worn camera, benchmark, high-stakes events, action recognition
• 来源：arXiv preprint https://arxiv.org/abs/2607.06468v1 （2026‑07‑07）