【南开大学-范登平组-arXiv25】Context-measure:用于伪装目标检测的情境化度量指标
Context-measure通过像素关联建模、双向感知循环和像素级伪装度量化,打造了伪装目标分割的专属评价基准,解决了传统指标忽视上下文的核心痛点,为农业、医学、工业等领域的伪装目标识别技术迭代提供了关键支撑!语义敏感性:当故意用错误的“标准答案”匹配预测结果时,Context-measure能100%识别这种语义 mismatch,错误率接近0,而传统指标Eϕ的错误率高达3.46%;最后,将伪装度作为权重融入评分,让“越难识别的伪装区域,分对了越加分”,彻底解决了传统指标“一视同仁”的弊端。
论文解读--FocalFormer3D : Focusing on Hard Instance for 3D Object Detection
3D物体检测是一项重要但具有挑战性的感知任务。近年来的先进3D物体检测器主要依赖于鸟瞰图(BEV)表示[1–3],其中来自多种传感器的特征被聚合以在自车坐标空间中构建统一表示。关于基于BEV的3D检测,已有丰富且不断增长的研究文献,包括多模态融合[4–10]、第二阶段优化(表面点池化[3]、RoIPool[11–14]以及跨注意力模块[4, 15])。尽管付出了巨大努力,但针对由遮挡物和杂乱背景引起的漏检或未检测对象的明确探索仍然有限。漏检在自动驾驶中尤其令人担忧,因为它会导致预测和规划系统中信息缺失。


