COOPERTRIM：基于不确定性感知的自适应数据选择用于合作感知
计算机视觉与模式识别
2026-02-17 v1 人工智能
机器学习
摘要
合作感知使自动代理通过无线通信共享编码表示来增强彼此的实时情境意识。然而，受限的通信带宽与丰富传感器信息之间的矛盾阻碍了其实际部署。近期研究探索了在保持性能相当的同时仅共享每帧子集特征的选择策略，但仍导致带宽要求紧张。为根本缓解这一矛盾，我们采取一种主动方法，利用时序连续性识别捕获环境动态的特征，同时避免重复和冗余传输静态信息。通过融入时序感知，代理被赋予了根据环境复杂度动态调整共享数量的能力。我们将这一直觉实现为一种自适应选择框架，COOPERTRIM，引入一种新颖的保形时序不确定性度量来衡量特征相关性，并引入一种数据驱动机制以动态确定共享数量。为评估 COOPERTRIM，我们以语义分割和 3D 检测为示例任务。在多个开源合作分割和检测模型上，COOPERTRIM 实现了最高可达 80.28% 和 72.52% 的带宽降低，同时保持相当的准确性。相对于其他选择策略，COOPERTRIM 还在最高可达 72% 的带宽下将 IoU 提高了最高可达 45.54%。结合压缩策略，COOPERTRIM 可进一步将带宽使用降低至最低 1.46%，而不影响 IoU 性能。定性结果表明，COOPERTRIM 能灵活适应环境动态、定位误差和通信延迟，显示出灵活性并为实际部署铺平了道路。
引用
@article{arxiv.2602.13286,
title = {Explanatory Interactive Machine Learning for Bias Mitigation in Visual Gender Classification},
author = {Nathanya Satriani and Djordje Slijepčević and Markus Schedl and Matthias Zeppelzauer},
journal= {arXiv preprint arXiv:2602.13286},
year = {2026}
}
备注
8 pages, 4 figures, CBMI2025