GAFT：用于罕见故障危险识别的地理锚定 微调

当物理结构引发不可恢复的状态（例如高居中或陷入困境）时，越野导航可能会失败，需要人工干预。识别这些结构至关重要，但也具有挑战性。此类故障事件很少见，收集成本高昂，导致训练数据有限。此外，收集的数据将框架与结果相关联，但并未表明导致失败的视觉线索。因此，直接从这些数据中学习可以利用特定场景的视觉线索，从而导致泛化能力较差。我们提出了 \textbf{Geo-Anchored 微调 (GAFT)}，这是一种参数有效的方法，它采用几何导出的先验来适应视觉基础模型。它通过将空间注意力部署图与先验几何对齐来指导 LoRA 适应，同时保留预先训练的表示。在干预验证的森林危害基准上，在十个独立训练的适应中，GAFT 始终优于冷冻 DINOv2 和监督 PEFT 基线，将重复留一情景平均值 $F_2$ 从 0.0607 提高到 0.3757，在配对分析下具有统计显着性。在这些独立训练的模型中，表现最好的 GAFT 模型实现了 0.570 的重复LOSO $F_2$。代码和基准：https://github.com/Xu-Yanran/geo_anchored_fine_tuning