arXiv cs.AI· Jinwoo Chung, Sangho An, Hyunsung Park, Jangho Kim·· 14 小时前AI 评分22
SR-BEVS：面向鲁棒纯视觉 3D 目标检测的稀疏恢复 BEV 模型汤
Sparse Recovery Bird's-Eye View Model Soup for Robust Camera-Based 3D Object Detection
AI 导读
研究者提出 SR-BEVS，一种稀疏恢复学习式的模型汤方法，可在不增加数据和改动架构的前提下同时提升 Fast-BEV 的干净精度与损坏鲁棒性。该方法按层权重幅值筛选剪枝候选、随机剪枝生成多样稀疏模型并各自以随机采样学习率重训，再平均回单个稠密模型，推理零额外开销。在 nuScenes 上，损坏鲁棒性最高提升 33.8%，干净精度提升 1.8%，对传感器噪声、天气失真和光照变化均有一致改善。
正文 · AI 翻译
摘要：基于相机的鸟瞰图（BEV）感知方法（如 Fast-BEV）已展现出良好的效果，推理速度快且精度具有竞争力。然而，它们对真实世界损坏的鲁棒性仍未得到充分探索，这给自动驾驶部署带来了风险，因为环境变化不可避免。本文提出稀疏恢复鸟瞰图模型汤（SR-BEVS），一种稀疏恢复学习方法，可在无需额外数据或架构修改的情况下同时提升干净精度和损坏鲁棒性。我们的方法基于逐层权重幅值确定剪枝候选，应用随机剪枝以创建多样化的稀疏模型，并用随机采样的学习率重新训练每个模型。通过将这些多样化的恢复模型平均为单个稠密模型，我们在引入零推理开销的同时增强了对各种损坏的鲁棒性。我们进一步提供模式连通性分析，表明基于剪枝的多样化保留了稳定权重平均所需的连通低损失盆地。在 nuScenes 数据集上的实验表明，与 Fast-BEV 基线相比，损坏鲁棒性最高提升 33.8%，干净精度提升 1.8%，并在传感器噪声、天气失真和光照变化方面均有一致改进。我们简单而有效的方法可能适用于其他 BEV 模型。
| 评论： | 已被 IROS 2026 接收。8 页，6 张图 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.34976 [cs.CV] |
| （或 arXiv:2610.34976v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.34976 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jinwoo Chung [查看电子邮件]
[v1]
2026 年 10 月 26 日星期一 07:49:42 UTC（16,594 KB）
来源：arXiv cs.AI · arxiv.org