标准化最大 Logits：一种用于城市场景分割中识别异常道路障碍的简单而有效的方法

在语义分割中识别道路上的异常物体（例如识别道路上的狗）在安全攸关的应用中至关重要。现有方法使用来自外部数据集的异常物体图像，或需要额外训练（例如重新训练分割网络或训练一个额外的网络），这需要大量的劳动力或漫长的推理时间。一种可能的替代方案是使用预训练网络的预测分数，例如最大 logits（即最终 softmax 层之前各类别中的最大值）来检测此类物体。然而，每个预测类别的最大 logits 分布彼此差异显著，这降低了在城市场景分割中识别异常物体的性能。为解决这一问题，我们提出了一种简单而有效的方法，对最大 logits 进行标准化，以对齐不同分布并反映每个预测类别内最大 logits 的相对含义。此外，基于相邻像素共享相似语义信息的直觉，我们从两个不同视角考虑局部区域。与以往方法不同，我们的方法不使用任何外部数据集，也不需要额外训练，这使得我们的方法能广泛应用于现有的预训练分割模型。这种直观的方法在公开的 Fishyscapes Lost & Found 排行榜上以巨大优势取得了新的 SOTA 性能。我们的代码在此 $\href{https://github.com/shjung13/Standardized-max-logits}{链接}$ 公开提供。