误差分解的类别条件融合：用于统计保证硬类别鲁棒感知
计算机视觉与模式识别
2026-05-19 v1
摘要
聚合对象检测指标本质上掩盖了在操作关键、长尾少数类别中的灾难性且可重复的失败。本文正式定义了这一普遍漏洞为硬类别可靠性问题（HCRP）：严格纠正脆弱类别而不损害稳定类的性能边界，这是在严格协议下的结构性挑战。为系统性地瓦解这一限制，我们提出了误差分解的类别条件融合（ED-CCF），一种优雅的决策层推理框架。与启发式全局后处理不同，ED-CCF 将预测投射到精细的四状态误差分类中，仅在经过严格经验论证后动态激活校准路径。在一个高度受限的600图像验证基准上，隔离 cz 作为关键漏洞（HCEC=0.86, BSR=0.14），我们的框架实现了针对性的突破：将 cz mAP50 从 0.089343 提升至 0.109353（相对增幅+22.4%），同时完美保留了全局稳定性的帕累托最优性（将所有 mAP50 从 0.581925 提升至 0.584864）。在50对子集试验中进行的彻底验证显示，我们以压倒性的96%胜率实现，并通过严格的Bonferroni校正的威尔克森显著性检验（p<0.05），本工作从根本上重新定义了输出级融合，使其成为面向安全关键视觉感知的可审计、统计保证的范式。
引用
@article{arxiv.2605.17591,
title = {Error-Decomposed Class-Conditional Fusion for Statistically Guaranteed Hard-Category Robust Perception},
author = {Guowei Luo and Ziqi Shi and Zhao Xie},
journal= {arXiv preprint arXiv:2605.17591},
year = {2026}
}
备注
14 pages, 8 figures. Preprint