FocalComm：困难实例感知的多智能体感知
计算机视觉与模式识别
2025-12-23 v2
摘要
多智能体协同感知 (CP) 是一种通过鲁棒的 3D 感知提升自动驾驶安全性的有前景的范式，特别是对于行人等弱势道路使用者。然而，现有的 CP 方法通常针对车辆检测性能指标进行优化，在行人等较小且安全至关重要的目标上表现不佳，而这些目标的检测失败可能是灾难性的。此外，以往的 CP 方法依赖于全特征交换，而不是仅通信那些有助于减少漏报的显著特征。为此，我们提出了 FocalComm，一种新颖的协同感知框架，专注于在互联的协同智能体之间交换困难实例导向的特征。FocalComm 包含两个关键的新设计：(1) 一个可学习的渐进式困难实例挖掘 (HIM) 模块，用于为每个智能体提取困难实例导向的特征；(2) 一种基于查询的特征级（中间）融合技术，在协作过程中动态地对这些识别出的特征进行加权。我们表明，FocalComm 在两个具有挑战性的真实世界数据集 (V2X-Real 和 DAIR-V2X) 上，在以车辆为中心和以基础设施为中心的协同设置中，均优于最先进的协同感知方法。FocalComm 在 V2X-Real 的行人检测中也表现出显著的性能提升。
引用
@article{arxiv.2512.13982,
title = {FocalComm: Hard Instance-Aware Multi-Agent Perception},
author = {Dereje Shenkut and Vijayakumar Bhagavatula},
journal= {arXiv preprint arXiv:2512.13982},
year = {2025}
}
备注
WACV 2026