掩码级识别在离群感知分割中的优势
计算机视觉与模式识别
2023-04-06 v2
摘要
大多数稠密识别方法在每个像素上独立做出决策。这些方法在常规闭集设定下具有竞争力。然而，现实中的重要应用通常要求在存在离群点的情况下保持强劲性能。我们表明，这一严苛设定极大受益于掩码级预测，即便在非微调的基线模型下亦然。此外，我们提出了一种稠密识别不确定性的替代表述，可有效降低语义边界处的假阳性响应。该表述在极强基线之上进一步带来提升，并在有或无负数据训练的情况下确立了离群感知语义分割的新 SOTA。我们的贡献亦在近期全景设定中带来性能改进。深入实验证实，我们的方法之所以成功，源于将像素级线索隐式聚合为掩码级预测。
引用
@article{arxiv.2301.03407,
title = {On Advantages of Mask-level Recognition for Outlier-aware Segmentation},
author = {Matej Grcić and Josip Šarić and Siniša Šegvić},
journal= {arXiv preprint arXiv:2301.03407},
year = {2023}
}
备注
Accepted to CVPR 2023 workshop on Visual Anomaly and Novelty Detection (VAND)