يمكن أن يسبب كائن غير متوقع واحد على الطريق حادثًا أو قد يؤدي إلى إصابات. لمنع ذلك، نحتاج إلى آلية موثوقة لاكتشاف الكائنات الشاذة على الطريق. يعتبر هذا المهمة، التي تُعرف بـ "تقسيم الشذوذ" (anomaly segmentation)، خطوة مهمة نحو القيادة الذاتية الآمنة والموثوقة. تتعامل النهج الحالية مع تقسيم الشذوذ من خلال تعيين درجة شذوذ لكل بكسل وتجزئة المناطق الشاذة باستخدام قواعد بسيطة. ومع ذلك، فإن تجميع البكسلات هو عامل محدود عند تقييم أداء التقسيم للكائنات الشاذة الفردية. لمعالجة مشكلة تجميع العديد من حالات الشذوذ في واحدة، نقترح نهجًا ينتج أقنعة دقيقة لحالات الشذوذ. يركز نهجنا على نموذج تقسيم خارج التوزيع لاكتشاف المناطق غير المؤكدة ونموذج تقسيم عام قوي لاكتشاف حالات الشذوذ. ندرس طرق استخدام المناطق غير المؤكدة لتوجيه مثل هذا النموذج لأداء تقسيم حالات الشذوذ. من خلال دمج أولويات الأشياء القوية من نموذج عام، نحسن أيضًا أداء تقسيم الشذوذ على مستوى البكسل. يتفوق نهجنا على الأساليب الحالية لتقسيم الشذوذ على مستوى البكسل، حيث حقق نسبة دقة AP بنسبة 80.08٪ و88.98٪ على مجموعتي التحقق Fishyscapes Lost and Found و RoadAnomaly على التوالي. صفحة المشروع: https://vision.rwth-aachen.de/ugains