跳到正文
arXiv · 机器人与计算机视觉· Xiaoshan Zhou·· 15 天前精选AI 评分78

共现先验压倒视觉空间证据:理解 VLM 在建筑被撞击危险检测中的误报

Co-Occurrence Priors Override Visual Spatial Evidence: Understanding False Alarms in Vision-Language Models for Construction Struck-By Hazard Detection

AI 导读

该研究评估了 Qwen2.5-VL-7B 和 InternVL3.5-8B 在建筑场景中被撞击危险检测任务中的表现,发现尽管模型能识别物体并编码空间关系,但高达 100% 的远距离场景被误判为危险。实验表明工人存在与否对决策的影响远超空间距离,且注意力干预无法消除这种共现偏差。通过让模型基于自身编码的空间表征进行条件化决策,可将特异性从 0.36 提升至 0.58,优于阈值重校准方法。

推荐理由

研究发现 VLM 误报源于决策层对共现先验的过度依赖,通过条件化空间表征可将特异性从 0.36 提升至 0.58。

来源:arXiv · 机器人与计算机视觉 · arxiv.org