[Paper] 自感知目标检测 via 退化流形

Source: arXiv - 2602.18394v1

Overview

目标检测器在正常成像条件下能够实现强大的性能，但在面对模糊、噪声、压缩、恶劣天气或分辨率变化时可能会悄然失效。在安全关键的场景中，仅仅给出预测而不评估输入是否仍处于检测器的正常工作范围是远远不够的。我们将这种能力称为 自觉目标检测。

我们提出了一种基于 退化流形 的退化感知自觉框架，该框架明确地根据图像退化而非语义内容来组织检测器的特征空间。我们的方法在标准检测骨干网络上添加了一个轻量级的嵌入头，并通过多层对比学习进行训练。具有相同退化组合的图像被拉近，而退化配置不同的图像被拉远，从而得到一种几何上有序的表示，能够捕获退化类型和严重程度 且无需退化标签或显式的密度建模。

为了锚定学习到的几何结构，我们从干净的训练嵌入中估计出一个原始原型，在表示空间中定义一个名义工作点。自觉性表现为相对于该参考点的几何偏离，提供了一种独立于检测置信度的图像级退化引起的位移信号。

在合成腐蚀基准、跨数据集零样本迁移以及自然天气引起的分布漂移上的大量实验表明：

• 干净与退化之间的可分离性强，
• 在多种检测器架构上表现一致，
• 在语义漂移下具备鲁棒的泛化能力。

这些结果表明，退化感知的表示几何为实用且与检测器无关的基础提供了可能。

Key Contributions

• 研究领域：cs.CV

Methodology

请参阅完整论文获取详细方法论。

Practical Implications

该研究推动了 cs.CV 领域的进步。

Authors

• Stefan Becker
• Simon Weiss
• Wolfgang Hübner
• Michael Arens

Paper Information

• arXiv ID: 2602.18394v1
• Categories: cs.CV
• Published: February 20, 2026
• PDF: Download PDF