基于 FSM 驱动的流式推理管线提升 AI 可靠性：工业案例
计算机视觉与模式识别
2026-03-03 v1
摘要
AI 在工业领域的广泛采用常受制于其在训练数据中缺失的情景下的鲁棒性不足，导致预测偏差和脆弱性。为此，我们提出一种新型流式推理管线，通过显式地纳入先验知识来增强数据驱动模型。本文展示了一种工业 AI 应用，该应用从监控视频中自动计数挖掘机工作量。我们的方案将目标检测模型与有限状态机 (FSM) 集成，FSM 编码了操作情景的知识，以引导和纠正 AI 对流式数据的预测。在超过 7,000 张图片、来自 12 个场地视频、涵盖 300 多次挖掘机工作量的真实数据集上的实验中，我们的方法在原基于手动启发式规则的解决方案之上表现出更好的性能和更大的鲁棒性。我们将在 https://github.com/thulab/video-streamling-inference-pipeline 上发布代码。
引用
@article{arxiv.2603.01528,
title = {Boosting AI Reliability with an FSM-Driven Streaming Inference Pipeline: An Industrial Case},
author = {Yutian Zhang and Zhongyi Pei and Yi Mao and Chen Wang and Lin Liu and Jianmin Wang},
journal= {arXiv preprint arXiv:2603.01528},
year = {2026}
}
备注
Preprint. The work was done in 2024