包括类相似性的全世界语义分割
计算机视觉与模式识别
2024-03-13 v1
摘要
解释摄像数据是实现自主系统（如自动驾驶）关键能力。必须能够理解真实环境中的视觉系统，并具备应对新情况的能力。本文针对全世界语义分割，即在训练期未见过的对象出现的图像解释问题，提出了一种新方法。该方法能够进行精确的封闭世界语义分割，同时能够在不需额外训练数据的情况下识别新类别。我们的 approach 还为每个新发现的类别提供与已知类别的相似性度量，这在下游任务（如规划或制图）中可能是有用的信息。通过大量实验，我们展示我们的模型在训练时已知的类别上以及异常分割上均实现了最好的结果，并且能够区分不同的未知类别。
引用
@article{arxiv.2403.07532,
title = {Open-World Semantic Segmentation Including Class Similarity},
author = {Matteo Sodano and Federico Magistri and Lucas Nunes and Jens Behley and Cyrill Stachniss},
journal= {arXiv preprint arXiv:2403.07532},
year = {2024}
}
备注
Accepted at CVPR 2024. Code at: https://github.com/PRBonn/ContMAV