基于图构建的空间异常检测与纠正用于静态环境下的以人为中心的对象检测提升
计算机视觉与模式识别
2026-05-26 v1
摘要
在许多涉及静态环境的实际应用中，物体的空间布局在不同实例之间保持一致。然而，最先进的对象检测模型往往未能利用这一空间先验，导致预测不一致、漏检或误分类，尤其在杂乱或遮挡场景中更为明显。本文提出一种基于图的后处理管道，显式建模物体之间的空间关系，以纠正以人为中心帧中的检测异常。通过在人工标注数据上训练的图神经网络 (GNN)，我们的模型识别无效的对象类别标签，并基于其邻域上下文预测纠正后的类别标签。我们将方法评估为独立的异常检测与纠正框架以及标准对象检测器（如 YOLOv7 和 RT-DETR）的后处理模块。实验表明，融入这种空间推理显著提升了检测性能，mAP@50 可提升最高 4%。该方法凸显了利用环境空间结构以提升对象检测系统可靠性的潜力。
引用
@article{arxiv.2508.07624,
title = {Enhancing Egocentric Object Detection in Static Environments using Graph-based Spatial Anomaly Detection and Correction},
author = {Vishakha Lall and Yisi Liu},
journal= {arXiv preprint arXiv:2508.07624},
year = {2026}
}