基于风格对齐分布外增强的异常感知语义分割
计算机视觉与模式识别
2023-08-22 v1 人工智能
机器学习
摘要
在自动驾驶场景中，在开放世界部署时不可避免地会遇到未知物体。因此，为标准语义分割模型配备异常感知能力至关重要。许多先前的方法利用合成的分布外（OoD）数据增强来解决此问题。在本文中，我们通过减小 OoD 数据与驾驶场景之间的域差距来改进 OoD 合成过程，有效缓解风格差异，否则该差异可能在训练中充当明显的捷径。此外，我们提出了一种简单的微调损失，利用逐像素 OoD 分数引导预训练的语义分割模型生成“不属于给定任何类别”的预测，以实现异常分割。凭借极小的微调代价，我们的流程使预训练模型能够用于异常分割，同时保持原任务的性能。
引用
@article{arxiv.2308.09965,
title = {Anomaly-Aware Semantic Segmentation via Style-Aligned OoD Augmentation},
author = {Dan Zhang and Kaspar Sakmann and William Beluch and Robin Hutmacher and Yumeng Li},
journal= {arXiv preprint arXiv:2308.09965},
year = {2023}
}
备注
Accepted at ICCV2023 Workshop on Robustness and Reliability of Autonomous Vehicles in the Open-world (BRAVO)