域偏移下语义分割与离群点检测同步进行
计算机视觉与模式识别
2019-08-06 v1
摘要
近期在真实道路驾驶数据集上的成功增加了对探索真实世界应用中鲁棒性能的兴趣。一个尚未解决的主要问题是识别无法用给定推理引擎可靠识别的图像内容。因此我们研究借助共享卷积特征、在单次前向传播中 alongside 主任务恢复稠密离群点图的方法。我们考虑以语义分割作为主任务，并在 WildDash val（内点）、LSUN val（离群点）以及来自 Pascal VOC 2007 的粘贴物体（离群点）上进行广泛验证。我们通过训练区分来自粘贴 ImageNet-1k 内容的内点取得最佳验证性能，尽管 ImageNet-1k 包含许多道路驾驶像素，且至少在名义上未能涵盖视觉世界的全部多样性。所提出的双头模型性能可与为在离群点预测均匀分布而训练的 C-way 多类模型相当，同时优于其他几种经验证的方法。我们在 WildDash 测试数据集上评估了两个最佳模型，并在 WildDash 基准上确立了新的 SOTA。
引用
@article{arxiv.1908.01098,
title = {Simultaneous Semantic Segmentation and Outlier Detection in Presence of Domain Shift},
author = {Petra Bevandić and Ivan Krešo and Marin Oršić and Siniša Šegvić},
journal= {arXiv preprint arXiv:1908.01098},
year = {2019}
}
备注
Accepted to German Conference on Pattern Recognition 2019. 25 pages, 10 figures, 9 tables