知识引导的失效预测：检测目标检测器遗漏安全关键对象的情形
计算机视觉与模式识别
2026-03-27 v1 机器学习
摘要
在安全关键环境中部署的对象检测器可能默默失败，例如遗漏行人、作业人员或其他安全关键对象而不发出任何警告。传统的外部分布（Out Of Distribution, OOD）检测方法侧重于识别不熟悉的输入，但并不直接预测检测器本身的功能性失效。我们引入知识引导失效预测（Knowledge Guided Failure Prediction, KGFP），这是一种基于表示的监控框架，将遗漏安全关键检测视为需在运行时检测的异常。KGFP使用双编码器架构和角距离度量衡量内部对象检测器特征与视觉基础模型嵌入之间的语义错位。其关键属性是：当检测器处于其能力范围之外或视觉基础模型本身遇到新颖输入时，两种嵌入会发生偏离，从而产生高角信号，可可靠地标记不安全的图像。我们将本新颖的KGFS方法与基准OD检测方法进行比较。在COCO人体检测任务中，将KGFP作为选择性预测门控后，5%假正率（FPR）下的人体召回率从64.3%提升至84.5%，并在六个COCO-O视觉域中保持强性能，显著优于OD基线方法。我们的代码、模型和特征已发布于https://gitlab.cc-asp.fraunhofer.de/iosb_public/KGFP。
引用
@article{arxiv.2603.25499,
title = {Knowledge-Guided Failure Prediction: Detecting When Object Detectors Miss Safety-Critical Objects},
author = {Jakob Paul Zimmermann and Gerrit Holzbach and David Lerch},
journal= {arXiv preprint arXiv:2603.25499},
year = {2026}
}