基于嵌入的无人车实车异常检测实用评估

检测交通场景中的异常现象对于确保自动驾驶安全至关重要，但收集具有代表性异常数据 remains 挑战。现有异常检测方法高度专业化，依赖由抽象语义 Cityscapes 类定义的正常性，难以适应多样化的真实场景。我们提出一种可适应的实时异常检测方法，利用以预训练视觉 Transformer 嵌入形式呈现的基础模型，通过嵌入语义特征空间中的最近邻相似性来检测偏差。基于 patch 级处理，该算法产生稠密异常掩码，允许对检测到的异常进行定位。该方法通过单张参考图像稳健地建模正常性。该表述避免了显式监督和数据集特定的训练，使其适用于真实部署。我们在标准基准和自动车实车场景上进行评估。尽管方法简单，却在 Road Anomaly 基准上表现良好，并在实际操作中展现出一致的定性行为，成功地在多样化场景中标记出语义上异常的对象。这些结果表明，简单且基于参考的的方法可在真实运行条件下提供有用的异常信号。