神经网络元分类器：提升异常分割的可靠性

深度神经网络 (DNN) 是语义分割的当代解决方案，通常被训练用于在预定义的封闭类别集上进行操作。在开放集环境中，可能会遇到语义上未知的对象或异常。道路驾驶就是此类环境的一个例子，从安全角度来看，确保 DNN 指示其正在已学习的语义域之外操作是重要的。异常分割的一种可能方法是熵最大化，它与一个基于逻辑回归的后处理步骤（称为元分类）相配合，后者进而被用于提升异常像素检测的可靠性。我们提出用一个更具表达能力的轻量级全连接神经网络来替代逻辑回归元分类器。我们分析了所提出的神经网络元分类器的优缺点，并展示了其优于逻辑回归的性能。我们还引入了信息性分布外示例的概念，并展示了在实践中使用熵最大化时它能改善训练结果。最后，我们讨论了可解释性的损失，并表明逻辑回归和神经网络的行为具有强相关性。