Objectomaly：面向Ood分割的对象性感知细化，兼具结构一致性与边界精确性
计算机视觉与模式识别
2025-07-14 v2 人工智能
摘要
准确的异常检测分割对于自动驾驶等安全敏感应用至关重要。然而，现有基于掩码的方法常常存在边界不精确、对象内部异常得分不一致以及背景噪声产生的误报问题。我们提出了\textbf{\textit{Objectomaly}}，一种融合对象级先验的对象性感知细化框架。Objectomaly包含三个阶段：（1）粗糙异常评分（Coarse Anomaly Scoring, CAS），使用现有Ood主干网络；（2）对象性评分校准（Objectness-Aware Score Calibration, OASC），利用SAM生成的实例掩码进行对象级得分归一化；（3）精细边界精度（Meticulous Boundary Precision, MBP），应用拉普拉斯滤波和高斯平滑进行轮廓细化。Objectomaly在关键Ood分割基准测试中实现了最先进的性能，包括SMIYC AnomalyTrack/ObstacleTrack和RoadAnomaly，显著提升了像素级（AuPRC提升至96.99，FPR降至0.07）和组件级（F1-$score提升至83.44）指标。消融实验和针对真实驾驶视频的定性结果进一步验证了该方法的鲁棒性和普适性。发布后将开放代码。
引用
@article{arxiv.2507.07460,
title = {Objectomaly: Objectness-Aware Refinement for OoD Segmentation with Structural Consistency and Boundary Precision},
author = {Jeonghoon Song and Sunghun Kim and Jaegyun Im and Byeongjoon Noh},
journal= {arXiv preprint arXiv:2507.07460},
year = {2025}
}