arXiv cs.AI· Yu Wang, Shaohua Wang, Yicheng Li, Kecheng Sun·· 13 小时前AI 评分29
AgentNorm：面向受损协作者的车载协同感知智能体级测试时归一化
Agent-Wise Test-Time Normalization for Camera-Based Cooperative Perception with Corrupted Collaborators
AI 导读
AgentNorm 是一种无参数、无需梯度和标签的智能体级测试时归一化方法，为每个协作者单独估计归一化统计量并将自车锚定到源统计量，避免混合分布污染干净的自车特征。
正文 · AI 翻译
摘要：中间融合协同感知让车辆通过融合附近代理共享的特征，检测自身视野之外的物体。当只有协作者的摄像头因雾、运动模糊或曝光错误而退化时，其共享的特征会偏离训练分布，而自车输入保持干净，此时协同反而可能比不协同更差。测试时批归一化自适应是标准的免训练补救方法，但它对所有代理的合并批次估计统计量，因此会用两种分布的混合来同时归一化干净的自车和受损的协作者。我们表明这种混合甚至会损害干净的自车：当自车与受损协作者共享 BN 统计量时，尽管其摄像头未受影响，其基于自身特征的检测仍下降 3.58 至 6.68 AP@0.5 点。我们提出 AgentNorm，一种按代理进行的测试时归一化方法，它 i) 从每个协作者自身的当前观测估计其归一化统计量，ii) 将自车锚定到其源统计量，使自车路径保持为原始模型。AgentNorm 没有可学习参数，不需要梯度或标签，与测试帧的顺序无关，并在每个代理上本地运行，不改变传输的特征。在基于摄像头的 OPV2V 上，使用四个融合检查点和仅协作者受损的设置，AgentNorm 将严重度 5 的雾下的 AP@0.5 从 29.42-37.25 提升到 43.32-58.86，并在雾和运动模糊下比合并归一化高出 5.53-12.94 点，每帧额外延迟 2.3 ms。在真实世界 DAIR-V2X-C 数据集上，它在全部十种基础设施受损设置下均优于合并归一化。我们还报告了它未能修复的情况：遮挡，它移除图像内容而非改变特征统计量，以及所有代理共享相同偏移的情况。
| 评论： | 11 页，8 张图 |
| 主题： | 计算机视觉与模式识别 (cs.CV)；人工智能 (cs.AI) |
| 引用为： | arXiv:2610.39505 [cs.CV] |
| （或 arXiv:2610.39505v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39505 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yu Wang [查看邮箱]
[v1]
2026 年 10 月 29 日星期四 07:05:47 UTC（809 KB）
来源：arXiv cs.AI · arxiv.org