SegmentMeIfYouCan：一种异常分割基准

最先进的语义或实例分割深度神经网络（DNNs）通常在封闭语义类别集上训练。因此，它们不擅长处理先前未见过的对象。然而，检测并定位此类对象对于诸如自动驾驶感知等安全关键应用至关重要，尤其是当它们出现在前方道路上时。尽管一些方法已处理异常或分布外对象分割任务，但进展仍然缓慢，很大程度上由于缺少可靠的基准；现有数据集要么由合成数据组成，要么存在标签不一致问题。在本文中，我们通过引入“SegmentMeIfYouCan”基准弥补这一缺口。我们的基准解决两项任务：异常对象分割，考虑任何先前未见过的对象类别；以及道路障碍物分割，聚焦于道路上的任何对象，无论已知或未知。我们提供两个相应数据集及一个测试套件，进行深入的方法分析，兼顾已建立的逐像素性能指标与近期对对象大小不敏感的组件级指标。我们在我们的数据集及公开数据集上，使用测试套件对多种最先进的基线方法（包括几个专为异常/障碍物分割设计的模型）进行经验评估。异常与障碍物分割结果表明，我们的数据集提升了两类数据图景的多样性与难度。