基于合成负数据的混合开集分割

开集分割可视为用异常检测来补充闭集分类。现有许多稠密异常检测器通过对常规数据生成式建模或针对负数据进行判别来运作。这两种方法优化不同的目标，因此表现出不同的失效模式。为此，我们提出一种融合生成式与判别式线索的新型异常分数。该分数可通过为任意闭集分割模型增加数据集后验与未归一化数据似然的稠密估计来实现。所得稠密混合开集模型需要负训练图像，这些图像可采样自辅助负数据集、联合训练的生成模型，或这两者的混合。我们在稠密异常检测与开集分割基准上评估了我们的贡献。实验显示出强劲的开集性能，且计算开销可忽略不计。