前四层都在回答"给定这些数据，怎么把它标好"。这一层换了问法： 这些数据里，到底哪些值得标。
它看起来最软，实际是五层里杠杆最大的。原因是一个乘法：
总标注成本 ≈ 样本数量 × 每帧单位成本
↑ ↑
治理层在这里 加速层在这里加速层优化的是每帧多贵，治理层优化的是要标多少帧。而后者的乘数大得多： 在典型流程里，九成以上的成本花在不到百分之一的帧上。
规范层：让所有人【画得一样】 一致性
加速层：让人【别从零画】 效率，单位成本
治理层：决定【标哪些】 分配，样本数量治理层最直观的工具叫相似度图。它怎么来的，是一个从高维到人眼的降维过程：
10 万帧
↓ ① 特征提取，每帧变成一个 1280 维向量
↓ ② 降维到 2 维
↓ ③ 画散点图，一张能用眼睛看的图第一步是用一个模型把每张图压成向量，这个向量代表这张图的视觉内容。 问题是 1280 维没法看。降维干的就是把它压到 2 维。
降维的目标不是压缩，是保持邻域关系：高维里相近的两个点，在 2 维里也要相近。 于是相似的帧会在图上聚成一团。
| 能读的 | 不能读的 |
|---|---|
| ✅ 这两帧很像，谁和谁近 | ❌ 团的大小，大团不代表这个场景多 |
| ✅ 这些帧各成一类 | ❌ 团与团的距离，离得远不代表差别大 |
| ✅ 这个点孤立 | ❌ 绝对位置，旋转或翻转整张图是等价的 |
把它当坐标系读，会得出错误结论。
它产出的是一张地图，一个客观事实：谁和谁像。 决策（标谁、不标谁）是在图上另外一步做的。
它是测量工具，不是过滤器。跑一下并不会自动去重。
而在同一张图上，要做的是四个方向不同的决策。这是最容易混的地方：
| 图上的形态 | 决策 | 方向 |
|---|---|---|
| 密集团，大量相似帧 | 降采样，少标 | ⬇️ 删 |
| 小团 | 可能是稀有场景，优先标 | ⬆️ 补 |
| 离群点 | 也可能是坏数据，丢弃 | ⬇️ 删 |
| 整张图 | 按团切分数据集 | — |
注意第二、三行形状一样、方向相反。这一点后面会变成一个很尖锐的结论。
另外，去重是降采样，不是清零。密集团留几个代表就够，因为相似的帧仍然提供统计覆盖， 只是边际价值递减极快：
第 1 帧 价值 100%
第 10 帧 价值 30%
第 100 帧 价值 2%
第 3000 帧 价值接近 0 ← 这就是浪费密集团就是几乎一样的帧。典型来源：车在路口等红灯，连拍三千帧。 决策是只抽几个标，整团跳过。
孤立点和小团是罕见场景，而罕见场景恰好是模型最缺的数据。
你不需要先有一个能识别施工锥桶的模型，就能发现哪些帧是罕见的。
这解掉了一个鸡生蛋问题。传统做法要先训一个模型才能检索场景， 而降维图用通用视觉特征就能给出线索。
完全孤立的点可能是镜头被挡、曝光失败、传感器故障、传输损坏。 这类数据混进训练集是有毒的。
随机切分 → 同一个团的相似帧同时落进训练和验证
→ 模型在验证集上"见过"几乎一样的图
→ 指标虚高
→ 你据此判断"模型够好了" → 出事这是在相似度图出现之前几乎无法系统解决的问题。 而它一次失误的代价可能比整个标注预算还大。
图上能直接看出行人多、骑车人少，于是决定要不要针对性补采，要不要按团加权。
离群点
├── 真·稀有场景（牛横穿高速） → 宝贵，要优先标
└── 坏数据（镜头被挡、全黑） → 垃圾，要删自动删除所有离群点，会精准地误杀掉你最缺的长尾数据。
地图告诉你"这里有个异类"，但不告诉你是金子还是垃圾。 所以这一步必须有人看一眼，或者用确定性指标做二次判定。
相似度图：昂贵，无监督，只能给候选，要靠眼睛看。
信号质量指标：廉价，确定性，可以直接判定，可以写成规则。
能用确定性指标判的，不要用相似度图判。
| 类别 | 指标 | 判什么 |
|---|---|---|
| 曝光与成像 | 直方图：过曝是大量像素饱和在 255，欠曝堆在 0 | 曝光失败 |
| 拉普拉斯方差、图像熵、对比度 | 模糊、全黑、全白 | |
| 镜头遮挡 | 图像几乎均匀：单峰窄直方图、熵极低、拉普拉斯方差极低 | 镜头被挡 |
| 多帧一致性：连续 N 帧图像几乎不变，而其他传感器在动 | 比单帧可靠得多 | |
| LiDAR | 一帧点数远低于正常值、空环比例高 | 采集中断、通道失效 |
| 点只落在一个平面，几何退化 | 退化场景，比如正对一堵墙 | |
| 时序与同步 | 时间戳间隔突变、重复、倒退、丢帧 | 采集链路故障 |
| 点云投到图像上的错位突然变大 | 标定漂移 | |
| 标注侧 | 多人标注一致性、标注耗时异常 | 标签不可靠、流程问题 |
一、坏数据是事件，不是帧。一次镜头被泥挡住，会连续几千帧坏。 所以报告要带时间轴聚合：
✗ 第 1207、1208、1209 … 2050 帧不合格 没用的报告
✓ 第 1200 到 1850 帧：前视相机镜头遮挡 可执行的事件二、坏数据最贵的不是标它浪费钱，是它污染训练集。 一帧全黑图像加上标注员硬着头皮画了个框，模型就学到"黑色画面里有车"。 这类污染是静默的，指标和损失曲线上都看不出来。
把场景或类别按出现频率排序，画成曲线：
频率
│█
│██
│███▄
│█████▄▄
│████████▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄
└─────────────────────────────────────────────► 场景，按频率降序
└── 头部 ──┘└──────────── 长尾 ────────────┘左边那一段是常见场景，几类就占了九成数据。 右边那一段单个出现很少，但加起来种类极多，覆盖了大量真实世界的边角情况。
模型在头部表现很好，在长尾上崩。所以长尾挖掘的价值不在于"多标"，在于 把有限的预算从头部挪到长尾。而这件事的前提是你能看见长尾在哪里， 那张地图就是用来看见它的。
治理层改的不是"怎么标"，是"标多少"。它是唯一能动数量级的一层。
它的工具是一张降维地图，用途有五个，其中数据集切分最容易被忽略也最贵。
最需要记住的是那条反直觉的：稀有和坏在图上长得一模一样， 所以地图只能给候选，判断得靠确定性指标加人眼。