UGainS：不确定性引导的异常实例分割
计算机视觉与模式识别
2023-08-07 v1
摘要
道路上一个意外物体就可能引发事故或导致受伤。为预防此情况，我们需要一种可靠的机制来发现道路上的异常物体。该任务称为异常分割，可作为安全可靠自动驾驶的垫脚石。当前方法通过为每个像素分配异常分数并使用简单启发式分组异常区域来处理异常分割。然而，像素分组在评估单个异常物体的分割性能时是一个限制因素。为解决将多个异常实例归为一组的问题，我们提出一种生成精确异常实例掩码的方法。我们的方法核心是一个用于识别不确定区域的分布外分割模型，以及一个用于异常实例分割的强通用分割模型。我们探究了利用不确定区域引导此类分割模型执行异常实例分割的方式。通过融入通用模型的强物体先验，我们额外提升了逐像素异常分割性能。我们的方法优于当前逐像素异常分割方法，在Fishyscapes Lost and Found与RoadAnomaly验证集上分别取得了80.08%与88.98%的AP。项目页面：https://vision.rwth-aachen.de/ugains
引用
@article{arxiv.2308.02046,
title = {UGainS: Uncertainty Guided Anomaly Instance Segmentation},
author = {Alexey Nekrasov and Alexander Hermans and Lars Kuhnert and Bastian Leibe},
journal= {arXiv preprint arXiv:2308.02046},
year = {2023}
}
备注
Accepted for publication at GCPR 2023; Project page at https://vision.rwth-aachen.de/ugains