摘要由 AI 生成
为应对自动驾驶中现有方法对长尾分布和异常物体检测不足的问题，研究者提出了 Out-of-Distribution Semantic Occupancy Prediction 任务。为此，构建了包含合成异常的 VAA-KITTI 和 VAA-KITTI-360 两个数据集，并提出了集成 Cross-Space Semantic Refinement (CSSR) 的 OccOoD 框架。实验表明，该框架在 1.2m 半径内实现了 AuROC 65.50%、AuPRCr 31.83%，显著提升了未知障碍物的检测灵敏度与泛化能力。相关数据集及源代码已公开至 GitHub 平台。
关键实体KEY ENTITIES
OccOoDVAA-KITTIVAA-KITTI-360
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
关键词热度
- OccOoD1
- VAA-KITTI1
- VAA-KITTI-3601
全部报道（1）SOURCES
↗
提出 Out-of-Distribution Semantic Occupancy Prediction 任务以解决自动驾驶中现有方法对长尾分布和异常物体检测不足的问题。为此，研究者构建了包含合成异常的 VAA-KITTI 和 VAA-KITTI-360 两个数据集，并提出了集成 Cross-Space Semantic Refinement (CSSR) 的 OccOoD 框架。实验表明，OccOoD 在 1.2m 半径内实现 AuROC 65.50%、AuPRCr 31.83%，显著提升了未知障碍物的检测灵敏度与泛化能力。相关数据集及源代码已公开至 https://github.com/7uHeng/OccOoD。