面向自动驾驶的目标性与任务感知未知区域分割
计算机视觉与模式识别
2025-08-19 v2
摘要
随着基于转换器的架构和大语言模型（LLM）的出现，道路场景感知的准确性有了显著提升。然而，当前的道路场景分割方法主要在封闭集数据上训练，导致对分布外（OOD）对象的检测能力不足。为克服这一限制，人们提出了路线异常检测方法。然而，现有方法主要依赖图像填充和OOD分布检测技术，面临两个关键问题：（1）对异常区域的对象性属性考虑不足，导致异常对象与已知类别相似时分割不完整；（2）对环境约束关注不够，导致检测出与自动驾驶任务无关的异常。本文提出了一种名为Segmenting Objectiveness and Task-Awareness（SOTA）的新型框架，用于自动驾驶场景。具体而言，SOTA通过语义融合模块（SFB）来增强对象性分割，并通过场景理解引导的提示-上下文适配器（SG-PCA）来过滤与道路导航任务无关的异常。在多个基准数据集上进行的大量经验评估，包括Fishyscapes Lost and Found、Segment-Me-If-You-Can和RoadAnomaly，证明了所提出SOTA方法在 diverse 检测器上均能持续改进OOD检测性能，实现稳健且准确的分割结果。
引用
@article{arxiv.2504.19183,
title = {Segmenting Objectiveness and Task-awareness Unknown Region for Autonomous Driving},
author = {Mi Zheng and Guanglei Yang and Zitong Huang and Zhenhua Guo and Kevin Han and Wangmeng Zuo},
journal= {arXiv preprint arXiv:2504.19183},
year = {2025}
}