Die Robustheit der semantischen Segmentierung bei Randfällen von Verkehrsszenen ist ein entscheidender Faktor für die Sicherheit intelligenter Verkehrssysteme. Allerdings sind die meisten kritischen Szenen, die zu Verkehrsunfällen führen, äußerst dynamisch und bisher unerforscht, was die Leistungsfähigkeit herkömmlicher Methoden zur semantischen Segmentierung erheblich beeinträchtigt. Zudem verschlechtert sich die zeitliche Kontextinformation durch die Verzögerung herkömmlicher Kameras bei Hochgeschwindigkeitsfahrten weiter. Daher schlagen wir vor, dynamische Kontextinformationen aus ereignisbasierten Daten mit höherer zeitlicher Auflösung zu extrahieren, um statische RGB-Bilder zu ergänzen – auch in Fällen von Verkehrsunfällen mit Bewegungsunschärfe, Kollisionen, Verformungen, Umkippen usw. Darüber hinaus stellen wir zur Bewertung der Segmentierungsgenauigkeit in Unfall-Szenarien ein pixelgenaues annotiertes Unfall-Datenset bereit, namens DADA-seg, das eine Vielzahl kritischer Szenarien aus realen Verkehrsunfällen enthält. Unsere Experimente zeigen, dass ereignisbasierte Daten ergänzende Informationen liefern können, um die Stabilität der semantischen Segmentierung unter ungünstigen Bedingungen zu erhöhen, indem sie fein strukturierte Bewegungsdynamik schneller bewegter Vordergrundobjekte (z. B. Unfallobjekte) präzise erfassen. Unser Ansatz erreicht auf dem vorgeschlagenen Unfall-Datenset eine Leistungssteigerung um +8,2 % und übertrifft damit mehr als 20 aktuelle State-of-the-Art-Methoden zur semantischen Segmentierung. Die Wirksamkeit des Vorschlags wurde zudem konsistent für Modelle bestätigt, die auf mehreren Quelldatenbanken wie Cityscapes, KITTI-360, BDD und ApolloScape trainiert wurden.