一次被欺：基于对比学习分布外检测的鲁棒选择性分割
计算机视觉与模式识别
2021-03-02 v1 机器人学
摘要
在本工作中，我们训练一个网络同时执行分割与像素级分布外(Out-of-Distribution, OoD)检测，从而可拒绝场景未知区域的分割结果。这是通过利用一个 OoD 数据集及新颖的对比目标与数据增强方案实现的。通过在训练数据中纳入包含未知类别的数据，可学到更具鲁棒性的特征表示，使已知类别与未知类别得以明确区分。当面对未知类别或条件时，许多现有的分割方法常对其不准确的分割表现出高置信度，因而在许多实际运行环境中不可信赖。我们在异常驾驶场景的真实世界数据集上验证了系统，并表明通过基于预测为 OoD 的部分进行选择性分割，相较其他方法可将分割精度以 IoU 计提升 0.2。
引用
@article{arxiv.2103.00869,
title = {Fool Me Once: Robust Selective Segmentation via Out-of-Distribution Detection with Contrastive Learning},
author = {David Williams and Matthew Gadd and Daniele De Martini and Paul Newman},
journal= {arXiv preprint arXiv:2103.00869},
year = {2021}
}
备注
Accepted for publication at the 2021 IEEE International Conference on Robotics and Automation (ICRA)