用于路面场景及更广域的离分布检测的扩散模型
计算机视觉与模式识别
2024-07-23 v1 人工智能
机器学习
摘要
近年来，针对语义分割的离分布 (OoD) 检测研究主要聚焦于路面场景——该领域具有受限的语义多样性。在本工作中，我们挑战了这一限制，将该任务的领域扩展至一般自然图像。为此，我们引入了：1. 基于 ADE20k 数据集构建的 ADE-OoD 基准数据集，其中包含来自多样领域、语义多样性高的图像；以及2. 一种新颖的方法，即使用扩分数匹配进行离分布检测 (DOoD)，其对增加的语义多样性具有鲁棒性。ADE-OoD 包含室内和室外图像，定义了150个与原分布一致的语义类别，并包含多种离分布物体。在ADE-OoD 上，DOoD 对比以往方法均表现更好，但仍有很大的提升空间。
引用
@article{arxiv.2407.15739,
title = {Diffusion for Out-of-Distribution Detection on Road Scenes and Beyond},
author = {Silvio Galesso and Philipp Schröppel and Hssan Driss and Thomas Brox},
journal= {arXiv preprint arXiv:2407.15739},
year = {2024}
}
备注
ECCV 2024 - Benchmark page: https://ade-ood.github.io/