基于不确定性的像素级似然比估计用于离群像素检测
计算机视觉与模式识别
2025-08-04 v1
摘要
在已知目标类别上训练的语义分割模型常常在真实世界的自动驾驶场景中，通过自信地错误地分类未知对象而失败。虽然像素级离群分布检测可以识别未知对象，但现有方法在复杂场景中难以区分稀有目标类别与真正的未知对象。我们引入一种基于不确定性的似然比估计方法，以解决上述局限性。该方法在似然比检验中引入证据分类器，以显式建模不确定性，区分语义分割模型中已知与未知像素特征。不同于产生点估计，本方法输出概率分布，捕捉稀有训练样本和不完美合成离群样本的不确定性。我们展示，通过这种方式引入不确定性，离群暴露（outlier exposure）的利用效果得到更好的提升。在五个标准基准数据集上进行评估，本方法在SOTA方法中实现了最低的平均假阳性率（2.5%），同时保持高的平均精度（90.91%），且仅引入可忽略的计算开销。代码已公开于 https://github.com/glasbruch/ULRE。
引用
@article{arxiv.2508.00587,
title = {Uncertainty-Aware Likelihood Ratio Estimation for Pixel-Wise Out-of-Distribution Detection},
author = {Marc Hölle and Walter Kellermann and Vasileios Belagiannis},
journal= {arXiv preprint arXiv:2508.00587},
year = {2025}
}
备注
Accepted at ICCVW 2025, 11 pages, 4 figures