CoT-Segmenter：通过链条推理增强密集道路场景中的 OOD 检测

有效的 OOD (Out-of-Distribution) 检测对于确保语义分割模型在复杂道路环境中的可靠性至关重要，尤其是在安全和准确性至关重要的场景中。尽管近期在大型语言模型 (LLM)，例如 GPT-4，方面取得了显著进展，Chain-of-Thought (CoT) 提示显著增强了多模态推理能力，但 CoT 基于的视觉推理在 OOD 语义分割中的应用仍属未充分探索之列。本文通过对道路场景异常进行大量分析，我们识别出当前最先进 OOD 分割方法在三个具有挑战性的场景中难以应对：(1) 密集堆叠和重叠物体，(2) 远处小物体场景，(3) 以大面积前景为主的物体。为了解决所提出的挑战，我们提出了一种针对道路异常场景 OOD 检测的 novel CoT 方法。该方法利用基础模型（如 GPT-4）的广泛知识和推理能力，通过改进的图像理解和针对观察到的问题场景属性的提示式推理来增强 OOD 检测。大量实验表明，我们的方法在标准基准测试和我们新定义的 RoadAnomaly 数据集的具有挑战性的子集上，始终优于最先进的方法，为复杂驾驶环境中的 OOD 语义分割提供了一个稳健且可解释的解决方案。