原型引导网络用于异常分割
计算机视觉与模式识别
2022-03-16 v2
摘要
语义分割方法无法直接识别图像中的异常物体。基于该现实设定的异常分割算法可区分分布内物体与分布外（OOD）物体，并输出像素的异常概率。本文提出一种原型引导异常分割网络（PGAN），从有限标注图像中为分布内训练数据提取语义原型。模型中，原型用于建模层次化类别语义信息并区分 OOD 像素。所提 PGAN 模型包含语义分割网络与原型提取网络。采用相似性度量优化原型。学到的语义原型作为类别语义，与测试图像提取的特征比较相似性，进而生成语义分割预测。所提原型提取网络也可集成至大多数语义分割网络并识别 OOD 像素。在 StreetHazards 数据集上，所提 PGAN 模型在异常分割上取得 53.4% 的 mIoU。实验结果表明 PGAN 在异常分割任务中可能达到 SOTA 性能。
引用
@article{arxiv.2201.05869,
title = {Prototype Guided Network for Anomaly Segmentation},
author = {Yiqing Hao and Yi Jin and Gaoyun An},
journal= {arXiv preprint arXiv:2201.05869},
year = {2022}
}
备注
Need for edit,and improve the method for better performance