面向复杂城市场景异常分割的逐像素能量偏置弃权学习
计算机视觉与模式识别
2022-09-07 v6
摘要
当前最先进的复杂城市驾驶场景异常分割方法探索了从离群点暴露中学习的逐像素分类不确定性，或外部重建模型。然而，以往直接将高不确定性与异常关联的不确定性方法有时会导致错误的异常预测，而外部重建模型对于实时自动驾驶嵌入式系统往往效率过低。本文提出了一种新的异常分割方法，名为逐像素能量偏置弃权学习（PEBAL），该方法探索了逐像素弃权学习（AL）与基于能量的模型（EBM）：AL 学习一个自适应的像素级异常类，EBM 学习内点像素分布。具体而言，PEBAL 基于 EBM 与 AL 的非平凡联合训练，其中 EBM 被训练为对异常像素（来自离群点暴露）输出高能量，而 AL 被训练为使这些高能量像素在被归入异常类时获得自适应低惩罚。我们针对 SOTA 方法广泛评估了 PEBAL，并表明其在四个基准上均取得了最佳性能。代码可在 https://github.com/tianyu0207/PEBAL 获取。
引用
@article{arxiv.2111.12264,
title = {Pixel-wise Energy-biased Abstention Learning for Anomaly Segmentation on Complex Urban Driving Scenes},
author = {Yu Tian and Yuyuan Liu and Guansong Pang and Fengbei Liu and Yuanhong Chen and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2111.12264},
year = {2022}
}
备注
ECCV 2022 Oral