基于不确定性门控的区域级检索：提升语义分割的鲁棒性
计算机视觉与模式识别
2025-12-23 v1 人工智能
摘要
户外街景语义分割是自动驾驶、移动机器人以及辅助视障行人等应用中的关键环节。对于这些应用，准确区分道路、人行道、车辆和行人等关键表面与物体至关重要，以确保安全并最小化风险。语义分割必须具备对不同环境、光照和天气条件以及传感器噪声的鲁棒性，同时实现实时处理。我们提出一种区域级、不确定性门控检索机制，在域迁移下提高分割精度和校准能力。我们的最佳方法实现了平均交并比提升 11.3%，同时将检索成本降低 87.5%，仅需对 12.5% 的区域进行检索，而无需像常规 baseline 那样对全部 100% 区域进行检索。
引用
@article{arxiv.2512.18082,
title = {Uncertainty-Gated Region-Level Retrieval for Robust Semantic Segmentation},
author = {Shreshth Rajan and Raymond Liu},
journal= {arXiv preprint arXiv:2512.18082},
year = {2025}
}