基于未知目标得分的道路障碍检测

检测未知交通障碍对于确保安全的自动驾驶至关重要。标准目标检测方法无法识别未被预定义类别包含的未知对象，因为目标检测方法会将对应未知对象像素分配为背景标签。为解决此问题，基于像素的异常检测方法正受到 increased research attention。异常检测技术，如不确定性估计和与重建图像的感知差异，能够将未知对象的像素识别为分布外（OoD）样本。然而，当应用于包含大量未知物体和复杂组成的图像时，例如驾驶场景，这些方法常常表现不稳定。本研究旨在通过将目标检测方法融入像素级异常检测方法，以实现检测未知对象的稳定性能。为实现此目标，我们采用带有sigmoid头部的语义分割网络，同时提供像素级异常得分和目标得分。我们的实验结果表明，目标得分在提高检测性能方面发挥重要作用。基于这些结果，我们提出了将这两种得分集成的新型异常得分，称为未知目标得分。定量评估表明，所提出的方法在应用于公开数据集时优于现有SOTA方法。