AD4AD：面向更安全的自动驾驶视觉异常检测模型基准测试
计算机视觉与模式识别
2026-04-17 v1 人工智能
摘要
自动驾驶系统的机器视觉可靠性很大程度上取决于其训练数据分布。当车辆遇到显著不同于训练条件的情况时，例如异常障碍物，其感知能力会显着降低。与许多数据错误后果有限的领域不同，自动驾驶中的故障直接导致乘客、行人和其他道路用户的物理风险。为此，我们探索了视觉异常检测 (VAD) 作为解决方案。VAD 使系统能够识别训练期间未出现的异常对象，当检测到不熟悉情况时，允许系统警报司机。关键的是，VAD 模型会生成像级异常图，可在无需对危险性质�或形式进行任何先验假设的情况下，将司机注意力引导到特定关注区域。我们在 AnoVox 上对八种最先进的 VAD 方法进行基准测试，AnoVox 是自动驾驶领域异常检测最大的合成数据集。特别是，我们在四个背部架构上评估性能，这些架构范围从大型网络到轻量级网络，如 MobileNet 和 DeiT-Tiny。我们的结果表明，VAD 能有效地转移到道路场景中。值得注意的是，Tiny-Dinomaly 在边缘部署方面实现了最佳的准确性-效率权衡，在内存成本的少数情况下，匹配了全尺寸的定位性能。这项研究代表了更安全、更负责任地部署自动驾驶汽车的具体步骤，从而提高了对乘客、行人和所有道路用户的保护。
引用
@article{arxiv.2604.15291,
title = {AD4AD: Benchmarking Visual Anomaly Detection Models for Safer Autonomous Driving},
author = {Fabrizio Genilotti and Arianna Stropeni and Gionata Grotto and Francesco Borsatti and Manuel Barusco and Davide Dalle Pezze and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2604.15291},
year = {2026}
}