轻量级混合式外来物体检测框架，具备场景感知与不确定性融合机制

《Scientific Reports》：Lightweight hybrid foreign object detection framework with scene aware and uncertainty fusion mechanism

　　

摘要

在自动驾驶环境中，外来物体检测（FOD）面临重大挑战，因为异常物体具有双重特性：一种是已知物体出现在不合适的场景中，另一种是训练过程中从未见过的真正新型物体。现有方法通常仅解决封闭集语义推理或开放集不确定性估计问题，这限制了它们有效处理这两种异常类型的能力。本文提出了HSAOSFOD（混合场景感知开放集外来物体检测），这是一个统一的轻量级框架，通过显式建模场景-物体兼容性矩阵和多信号开放集检测模块，整合了封闭集和开放集范式。其主要贡献包括：（1）一个场景-物体兼容性模块，该模块利用领域先验来检测已知物体的上下文不匹配；（2）一个多信号融合模块，结合了基于原型的新颖性检测和不确定性估计；（3）一个高效的架构设计，采用可分离的自注意力机制和深度卷积，使得模型参数量仅为433万。在Cityscapes和RailSem19数据集上进行的大量训练实验，以及在Road Anomaly和Lost and Found数据集上的评估实验表明，HSAOSFOD的性能表现优异，其在Road Anomaly数据集上的AUROC分数为0.9506，在Lost and Found数据集上的AUROC分数为0.6158，同时保持了计算效率。消融实验确认，兼容性模块（封闭集）对平均AUROC的贡献约为1.1%，新颖性检测模块（开放集）的贡献约为0.4%，两者结合的混合贡献相对于基础解码器单独使用时提升了1.5%。HSAOSFOD展示了将显式领域知识与数据驱动学习相结合的潜力，能够生成高效且可解释的混合模型，在处理依赖上下文的异常物体时表现出色。