基于层次GMM的LiDAR语义分割中的分布外检测：利用特征空间中的认识不确定性
计算机视觉与模式识别
2025-10-13 v1 机器学习
摘要
除了通过精确的LiDAR点云语义分割实现准确的场景理解外，检测分布外（OOD）对象（训练期间未遇到的对象）对于防止将未知对象错误地分配给已知类别至关重要。虽然监督式OOD检测方法依赖辅助OOD数据集，但无监督方法则避免了这一要求，通常依赖预测熵（通过对ensemble或多个后验权重样本求平均获得的预测分布的熵）。然而，这些方法常常混合认识（模型）不确定性和 aleatoric（数据）不确定性，将模糊的分布内区域误分类为OOD。为此，我们提出一种无监督OOD检测方法，利用来自层次贝叶斯GMM模型参数的认识不确定性。该方法无需辅助数据或额外训练阶段，在SemanticKITTI数据集上 outperform了现有基于不确定性的方法，实现了18%的AUROC提升、22%的AUPRC增加以及36%的FPR95降低（从76%降至40%）。
引用
@article{arxiv.2510.08631,
title = {Out-of-Distribution Detection in LiDAR Semantic Segmentation Using Epistemic Uncertainty from Hierarchical GMMs},
author = {Hanieh Shojaei Miandashti and Claus Brenner},
journal= {arXiv preprint arXiv:2510.08631},
year = {2025}
}