SR-BEVS：稀疏恢复模型汤提升BEV感知鲁棒性
论文AI 评分 68/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇被 IROS 2026 接收的论文提出 SR-BEVS，用稀疏恢复学习提升相机 BEV 感知的鲁棒性。方法按各层权重幅值筛选剪枝候选，随机剪枝得到多个稀疏模型，再以随机采样的学习率分别重训，最后把这些模型平均成一个稠密模型。在 nuScenes 上相对 Fast-BEV 基线，损坏鲁棒性最高提升 33.8%，干净精度提升 1.8%，且不增加推理开销、不需额外数据或改架构。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载方法怎么做
SR-BEVS 面向相机鸟瞰图感知模型，以 Fast-BEV 为基线。做法分三步：先依据每一层的权重幅值挑出可剪枝的位置；再对这些位置做随机剪枝，得到一组结构各异的稀疏模型；随后为每个稀疏模型单独重训，重训时的学习率从随机采样中得到。最后把这批恢复后的模型权重平均，合成一个稠密模型。整个过程不需要引入额外训练数据，也不改动网络结构，推理时仍是原来的单模型，因此没有额外开销。
鲁棒性与精度数据
作者在 nuScenes 数据集上做了对比实验。相对 Fast-BEV 基线，所提方法在损坏鲁棒性指标上最高提升 33.8%，同时干净数据上的精度还提高了 1.8%。材料列出的损坏类型包括传感器噪声、天气造成的畸变以及光照变化，方法在这些类别上均表现出一致的改进。论文还给出模式连通性分析，说明基于剪枝的多样化处理保留了稳定权重平均所需的连通低损失区域，这解释了模型平均为何可行。
适用范围与发表情况
作者表示这一做法简单且有效，可能同样适用于其他 BEV 模型，但材料中给出的实验只在 nuScenes 与 Fast-BEV 基线上完成。论文被 IROS 2026 接收，篇幅为 8 页，含 6 张图，归类于计算机视觉与模式识别，同时涉及人工智能与机器学习方向。
为什么值得看
不增加推理成本、也不改架构，就能同时提升干净精度与抗损坏鲁棒性，对自动驾驶 BEV 部署有直接参考价值。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。