跳到正文
arXiv · ML· Wesley Maia, Angel Martinez-Sanchez, Maitrayee Keskar, Ross Greer·· 3 天前AI 评分33

PassCal:用于个人校准人行通道无障碍感知的少样本学习

Passable for Whom? Few-Shot Learning for Personal Calibration of Sidewalk Accessibility Perception for Human-Centered Autonomous Driving

AI 导读

PassCal 通过少样本学习预测未见使用者对未见人行场景的判断,仅用 8 个样本将 Brier 分数从 0.550 降至 0.479。 模型结合冻结 VLM 内部状态与检测器预测的障碍属性,在 14.9k 公共审计数据上训练,优于直接提示 VLM 或无场景校准的方法。 符合风险控制使“决定性强场景”占比从 27% 提升至 42%(5% 错误率下)。

来源:arXiv · ML · arxiv.org