基于能量引导自监督似然估计的城市场景异常分割
计算机视觉与模式识别
2025-01-03 v4
摘要
鲁棒自动驾驶要求智能体准确识别城市场景中的意外区域（异常）。为此，一些关键问题尚待解决：如何设计合理的度量来衡量异常，以及如何恰当地生成异常数据的训练样本？异常检测的经典工作通常诉诸逐像素不确定性或样本合成，这忽略了上下文信息，且有时需要带细粒度标注的辅助数据。相反，本文利用分割任务强烈的上下文依赖特性，设计了一个能量引导的自监督框架用于异常分割，该框架通过最大化自生成异常像素的似然来优化一个异常头。为此，我们设计了两个建模异常似然的估计器：一个是任务无关的二值估计器，另一个将似然刻画为面向任务联合能量的残差。基于所提估计器，我们设计了一个自适应自监督训练框架，利用上下文依赖与估计似然来精炼异常区域的掩码标注。我们在具挑战性的 Fishyscapes 与 Road Anomaly 基准上进行了大量实验，表明无需任何辅助数据或合成模型，我们的方法仍可达到与有监督竞争对手相当的性能。代码见 https://github.com/yuanpengtu/SLEEG。
引用
@article{arxiv.2302.06815,
title = {Self-Supervised Likelihood Estimation with Energy Guidance for Anomaly Segmentation in Urban Scenes},
author = {Yuanpeng Tu and Yuxi Li and Boshen Zhang and Liang Liu and Jiangning Zhang and Yabiao Wang and Cai Rong Zhao},
journal= {arXiv preprint arXiv:2302.06815},
year = {2025}
}