用于分布外分割的卷积神经网络像素级梯度不确定性
计算机视觉与模式识别
2025-11-27 v2
摘要
近年来，深度神经网络在语义分割中确立了最先进水平，其预测被限定于预定义的语义类别集合。它们将被部署于自动驾驶等应用中，尽管其类别受限的表达能力与此类开放世界场景相悖。因此，检测并分割来自预定义语义空间之外的对象，即分布外（OoD）对象，具有极高价值。由于 softmax 熵或贝叶斯模型等不确定性估计方法对错误预测敏感，这些方法成为 OoD 检测的自然基线。本文提出一种从像素级损失梯度获取不确定性分数的方法，可在推理时高效计算。我们的方法易于在大量模型上实现，无需额外训练或辅助数据，并可直接用于预训练分割模型。实验表明，该方法能以可忽略的计算开销识别错误像素分类并估计预测质量。特别地，我们在 SegmentMeIfYouCan 基准上观察到其 OoD 分割性能优于可比基线，明显超越其他方法。
引用
@article{arxiv.2303.06920,
title = {Pixel-wise Gradient Uncertainty for Convolutional Neural Networks applied to Out-of-Distribution Segmentation},
author = {Kira Maag and Tobias Riedlinger},
journal= {arXiv preprint arXiv:2303.06920},
year = {2025}
}