知识卡片：面向自动驾驶的实时PixOOD高效异常分割

一句话结论

通过重新设计PixOOD的Neyman-Pearson评分阶段并采用TensorRT硬件优化编译，该方法在桌面和嵌入式平台分别达到182 FPS和75 FPS，较原始基线提速20倍和18倍，表明先进异常分割可用于车载实时处理。

事件概述/研究问题

自动驾驶与铁路系统需要实时异常分割来保障安全。现有高精度方法计算开销大，难以在嵌入式硬件上部署。本文针对PixOOD这一先进的分布外检测方法，提出一套面向嵌入式与桌面平台的高效加速管线。

方法/产品要点

• 重新表述PixOOD的Neyman-Pearson评分阶段（具体重构方式待核实）。
• 使用硬件优化的TensorRT编译部署完整管线。
• 目标领域为自动驾驶与铁路，覆盖嵌入式与桌面平台。

主要结果或产业意义

• 桌面平台（NVIDIA RTX 4060 GPU）：最高182 FPS。
• 嵌入式平台（NVIDIA Jetson AGX Orin）：最高75 FPS。
• 相比原始基线分别快约20倍和18倍。
• 结果表明，先进异常分割可以高效部署到车载/机载边缘计算设备中，服务于自动驾驶与铁路安全应用。

为什么重要

该工作是将PixOOD这类高精度分布外检测方法推向实时部署的增量进展。与已有的FPGA量子自编码器实时异常检测、盆腔MRI实时异常检测等方向不同，它聚焦于自动驾驶和铁路场景的通用异常分割，并给出了嵌入式GPU上的具体加速验证。

局限与不确定性

• 摘要未说明使用的数据集、评估指标以及与基线相比的精度变化，精度保持情况待核实。
• 摘要未说明铁路领域的具体测试场景与性能细节，待核实。
• “20x和18x”所对比的原始基线具体配置待核实。
• 当前为arXiv预印本（2607.28483v1），尚未提供同行评审信息。

可用于图书/PPT/简报的角度

• 实时异常分割从学术模型到嵌入式部署的工程加速案例。
• 以PixOOD为例，展示算法与硬件协同优化可带来的数量级提速。
• 适合作为“自动驾驶安全系统中的实时性挑战”的说明材料。

原始材料

• 英文标题：Towards Real-Time PixOOD: Efficient Anomaly Segmentation for Autonomous Vehicles
• 英文关键词：Anomaly Segmentation; Autonomous Vehicles; Out-of-Distribution Detection; TensorRT; Embedded Deployment
• 来源：arXiv:2607.28483v1 [cs.CV]（https://arxiv.org/abs/2607.28483v1）
• 作者：Luca de Martino, Federico Aromolo, Federico Nesti, Giorgio Buttazzo
• 发布时间：2026-07-30