分割每一个分布外对象
计算机视觉与模式识别
2024-03-29 v4
摘要
语义分割模型虽对分布内类别有效，但因遭遇分布外（OoD）对象，在真实世界部署中面临挑战。检测这些OoD对象对安全关键应用至关重要。现有方法依赖异常分数，但选择合适阈值以生成掩码存在困难，并可能导致碎片化与不准确。本文引入一种将异常\textbf{分}\textbf{数}\textbf{转}换为分割\textbf{掩码}的方法，称为S2M，一种用于语义分割中OoD检测的简单有效框架。与为像素分配异常分数不同，S2M直接分割整个OoD对象。通过将异常分数转换为可提示分割模型的提示，S2M消除了阈值选择的需要。大量实验表明，在Fishyscapes、Segment-Me-If-You-Can与RoadAnomaly等各基准上，S2M平均以约20%的IoU与40%的平均F1分数优于最先进水平。
引用
@article{arxiv.2311.16516,
title = {Segment Every Out-of-Distribution Object},
author = {Wenjie Zhao and Jia Li and Xin Dong and Yu Xiang and Yunhui Guo},
journal= {arXiv preprint arXiv:2311.16516},
year = {2024}
}
备注
20 pages, 14 figures