تُعد متانة تقسيم المعنى في حالات الحوادث الحادة ضمن مشاهد المرور عاملاً حاسماً لسلامة النقل الذكي. ومع ذلك، فإن معظم السيناريوهات الحرجة التي تؤدي إلى حوادث المرور هي حوادث ديناميكية للغاية وغير مسبوقة سابقًا، مما يؤثر بشكل خطير على أداء طرق تقسيم المعنى. علاوةً على ذلك، فإن التأخير الناتج عن الكاميرات التقليدية أثناء القيادة بسرعة عالية يُقلل من المعلومات السياقية في البُعد الزمني. ولذلك، نقترح استخراج السياق الديناميكي من البيانات القائمة على الأحداث (event-based data)، والتي تمتلك دقة زمنية أعلى، بهدف تعزيز الصور الثابتة بالألوان (RGB) حتى في الحالات التي تتضمن ضبابية حركية، أو اصطدامات، أو تشوهات، أو انقلابات، إلخ. علاوةً على ذلك، ولتقييم أداء التقسيم في حوادث المرور، نقدّم مجموعة بيانات مُعلّمة على مستوى البكسل، تُدعى DADA-seg، والتي تضم مجموعة متنوعة من السيناريوهات الحرجة المستمدة من حوادث المرور. تُظهر تجاربنا أن البيانات القائمة على الأحداث يمكنها توفير معلومات مكملة لتعزيز استقرار تقسيم المعنى في الظروف الصعبة، من خلال الحفاظ على التفاصيل الدقيقة للحركة في الأجسام المتحركة السريعة (مثل الأجسام المُصطدم بها في الحوادث). تحقق الطريقة المقترحة زيادة بنسبة +8.2% في الأداء على مجموعة البيانات المُقترحة لحوادث المرور، متفوّقةً على أكثر من 20 من أحدث طرق تقسيم المعنى المُعلّقة. وقد أُثبتت فعالية الاقتراح بشكل متسق على نماذج تم تدريبها على قواعد بيانات مصدر متعددة، تشمل Cityscapes، وKITTI-360، وBDD، وApolloScape.