共识与记忆协同：一种用于城市场景异常分割的简单方法
计算机视觉与模式识别
2021-12-01 v1
摘要
异常分割对于安全关键应用（如城市场景中的自动驾驶）是一项关键任务，其目标是在训练时检测未见类别的分布外（OOD）物体。该任务的核心挑战是如何区分困难的分布内样本与 OOD 样本，这一点尚未被明确讨论。受心理学发现（群体在记忆任务上表现优于个体）的启发，本文提出一种新颖且简单的方法，称为共识协同记忆（CosMe），以应对该挑战。其主要思想是：1）构建一个记忆库，由从预训练分割模型的多个层中提取的已见原型组成；2）训练一个辅助模型来模仿预训练模型的行为，然后测量它们中层特征的共识作为与记忆库协同的互补线索。CosMe 擅长区分困难的分布内样本与 OOD 样本。在多个城市场景异常分割数据集上的实验结果表明，CosMe 大幅优于以往方法。
引用
@article{arxiv.2111.15463,
title = {Consensus Synergizes with Memory: A Simple Approach for Anomaly Segmentation in Urban Scenes},
author = {Jiazhong Cen and Zenkun Jiang and Lingxi Xie and Qi Tian and Xiaokang Yang and Wei Shen},
journal= {arXiv preprint arXiv:2111.15463},
year = {2021}
}