冻结LiDAR-相机检测器中目标-证据同一性与阶段分母的审计及校准评估

《Big Data and Cognitive Computing》：From Proposal Recovery to Reliable Recognition: A Provenance-Aware Measurement Framework for Open-World 3D Perception

　　我们审计了一个冻结的LiDAR-相机检测器及其学习式后处理头中的目标-证据同一性及阶段分母。在八类适应过程中，摩托车和自行车标注被扣留，尽管这两类都出现在官方检测器的预训练中，且可能出现在CLIP预训练中。在500个nuScenes样本中，有776个LiDAR有效目标对象，一个坐标原点审计将提案恢复率从历史报告的176修正为92（11.86%）。在82个具有有效语义证据的恢复对象中，45个被正确分类（54.88%）。冻结的已识别新类别路由仍保持43个真阳性、747个假阳性及733个假阴性。一个对象台账将假阴性归因于684个恢复遗漏、10个缺失证据案例、37个语义错误及两个边界失败。仅用已知校准标签拟合的温度缩放，将二元Brier分数从0.3610提升至0.1093，将NLL从0.9600提升至0.3581；它们的配对成分自助法差异排除零。冻结的M4头存在训练/评估特征和目标不匹配；一个离线的对齐M4对照，与共享的M1正确性特征一起，相对于冻结M4改善了点Brier/NLL，但相对于M1的配对区间仍包含零，且历史路由器未变。在合格未知行上，PCGU和全局残差基线的联合几何覆盖为0.4516，标准化残差基线为0.6452，无类别转移保证。评估了真实视图删除。历史规范再生时序仍未恢复（256对253个未知）；一个公开的当前栈会话时序协议接受100个测量帧。一个锁定的场景ID排除的P5转储（5504个标记/137个场景）在迁移评估下单独报告（RN 103/2909/3338）。一个独立的CQR基线在历史、v3-500和P5队列上，其未知联合7D覆盖率低于PCGU。对齐的M4和温度缩放替换在冻结的0.05门限下，使v3-500和P5的已识别新类别计数和分配保持不变。证据支持有限的可复现审计，而非部署就绪性或广泛的未知类别泛化。