基础模型能否可靠识别空间危险？——基于路缘分割的案例研究

路缘作为关键边界，划定了安全的行人区域与潜在的车辆交通危险区域。在动态导航中，路缘也是一种主要的空间危险，具有显著的绊倒风险。对于盲人和低视力者（PBLV），此类脆弱性尤为加剧。基于视觉的准确路缘识别对于辅助 PBLV 在城市环境中安全导航的辅助技术至关重要。在此，我们研究了基础模型在路缘分割中的效能。我们引入了迄今为止最大的路缘分割数据集，以基准测试领先的基础模型。我们的结果表明，最先进的基础模型在路缘分割方面面临重大挑战。这是由于它们的高误报率（高达 95%），在区分路缘与类路缘物体或非路缘区域（如人行道）方面表现不佳。此外，性能最佳的模型平均推理时间为 3.70 秒，凸显了在提供实时辅助方面的问题。作为回应，我们提出了包括过滤边界框选择在内的解决方案，以实现更准确的路缘分割。总体而言，尽管基础模型具有直接的灵活性，但其在实用辅助技术应用中的部署仍需改进。本研究强调了专用数据集和定制模型训练对于解决 PBLV 导航挑战的关键需求，并揭示了基础模型的内在弱点。