ACM MM2026 | 面向混合尺度道路异常分割的小危险目标感知框架

来源：天基综合信息系统全国重点实验室

道路异常分割是自动驾驶开放世界感知与安全决策中的基础技术，旨在识别遗落货物、异常障碍物、路面塌陷等未被预先定义的危险目标。近年来，随着深度视觉模型和开放世界感知技术的发展，道路异常分割在复杂交通环境中的检测能力不断提升。然而，现有方法通常采用尺度无关的整体指标进行评价。当大面积、视觉上更醒目的异常与细小但危险的目标同时出现时，大目标更容易主导特征聚合和像素级预测，使小目标的弱响应被抑制；模型即使取得较高的整体得分，也可能出现明显的“小而危险”目标漏检。

近日，中国科学院软件研究所、北京化工大学、西南民族大学联合研究团队针对道路异常分割中的混合尺度失效问题，从尺度感知诊断和区域到像素危险性推理的视角，对不同尺度异常共存时的小目标性能退化机制进行了系统分析。研究团队提出尺度感知诊断协议MS-Protocol和混合尺度诊断子集MS-ROAD，并进一步构建由粗到细的SHIELD框架，通过小尺度候选提取、区域级危险性推理和先验引导的像素级细化，在密集预测过程中显式保留小危险目标证据，从而提升模型在混合尺度场景下的感知可靠性。相关成果以"Rethinking Scale-Agnostic Evaluation: A Mixed-Scale Diagnostic Benchmark and Small-Hazard Framework for Road Anomaly Segmentation"为题，被人工智能与多媒体领域顶级国际会议ACM MM 2026录用。

论文作者：刘宇星、付晓、李征、梁欢欢、李卓敏、张基、周绪川、孙泽宇、刘勇

通讯作者：孙泽宇，刘勇

现有道路异常分割评价难以揭示混合尺度场景中的小目标漏检

道路异常分割是自动驾驶开放世界感知的重要任务，用于发现遗落货物、异常障碍物和路面塌陷等未知危险。然而，现有评价体系主要采用尺度无关的整体指标，难以真实反映模型在不同目标尺度上的敏感性，尤其存在三项关键局限：1. 评价维度单一：全局指标容易被大面积异常主导，无法揭示小尺度目标上的严重漏检；2. 混合尺度干扰突出：当大异常与细小危险物同时出现时，大目标产生的强响应会抑制小目标的弱证据；3. 基准分布存在偏置：既有数据集常偏向小目标或大目标，且通常被单独评价，难以判断模型是否具备真正的跨尺度鲁棒性。为解决这些问题，论文建立统一的尺度感知诊断体系，并提出专门增强“小而危险”异常感知能力的SHIELD框架。

尺度感知诊断与区域到像素推理增强小危险目标感知

论文围绕“发现问题—建立诊断标准—构建专用数据—改进感知方法”形成完整研究链条：

1.揭示混合尺度失效问题：论文系统分析并形式化描述了道路异常分割中的混合尺度失效现象，即在尺度无关评价下，大异常上的良好表现可能掩盖模型对小而危险目标的漏检。初步诊断显示，代表性方法对小异常的平均AP仅为39.0%，明显低于大异常的82.5%。

2.提出尺度感知评价协议：MS-Protocol以异常实例面积占图像面积的比例定义相对尺度，并以0.3%和2.0%为阈值划分小、中、大三类异常。该设计不依赖图像分辨率，可在不同数据集之间开展统一、分层的尺度诊断。

3.构建统一基准与诊断子集：研究将多个既有数据集重组为包含3000余幅道路场景的MS-Benchmark Suite，并构建由590幅图像组成的MS-ROAD。该子集覆盖白天、夜间、雪天和复杂杂乱环境，提供实例级尺度标签，专门用于混合尺度场景分析。

4.提出SHIELD框架：SHIELD采用由粗到细的区域到像素危险性推理，依次完成小尺度候选提取、融合视觉—尺度—语义信息的区域级危险性判断，以及小危险目标先验引导的像素级预测细化，从而在大目标干扰下保存细小危险证据。

诊断体系特征对比

与传统尺度无关评价相比，MS-Protocol将相对尺度定义、跨数据集统一组织和混合尺度专用诊断结合起来，使模型在小、中、大异常上的行为差异能够被独立观察。

SHIELD显著提升混合尺度场景下的分割精度与感知鲁棒性

研究团队在MS-ROAD及完整MS-Benchmark Suite上与多种代表性道路异常分割方法进行了系统比较：

1.小目标感知显著增强：SHIELD在MS-ROAD上的小尺度异常AP达到84.10%，较强基线RbA提升5.52个百分点，较S2M提升31.76个百分点；中尺度异常AP达到82.90%。

2.混合尺度鲁棒性明显提升：SHIELD将小尺度异常在混合场景中的性能退化指标降至5.8；在逐步消融中，完整框架将小尺度AP由基线的40.50%提高至84.10%，并将退化指标由30.5降至5.8。

精度与效率实现良好平衡：SHIELD在混合尺度诊断组取得86.40%的AP，较最强基线提升2.79个百分点，同时仅需284G FLOPs和44.2M参数，并达到18.45 FPS的推理速度。

总结

论文从评价协议、诊断数据和感知方法三个层面推进了道路异常分割研究。MS-Protocol与MS-ROAD使传统整体指标难以揭示的混合尺度失效问题得到细粒度分析；SHIELD则通过区域级危险性推理，将细小目标的危险证据反馈至像素级预测，为复杂交通环境中小危险目标的可靠感知提供了新路径。该研究可为道路异常检测模型的公平评价、跨尺度鲁棒性分析及安全关键自动驾驶感知系统设计提供技术参考。

本文系学术转载，如有侵权，请联系CVer小助手删文