摘要
近期在真实道路驾驶数据集上的成功增加了对探索现实世界应用中稳健性能的兴趣。一个主要未解决的问题是如何识别出无法通过给定推理引擎可靠识别的图像内容。因此，我们研究了在单次前向传递过程中，利用共享卷积特征来恢复密集异常值图的方法，以辅助主任务。我们将语义分割作为主任务，并在 WildDash 验证集（正常样本）、LSUN 验证集（异常样本）以及来自 Pascal VOC 2007 的粘贴对象（异常样本）上进行了广泛的验证。尽管 ImageNet-1k 包含许多道路驾驶像素，且至少名义上未能完全涵盖视觉世界的多样性，但我们通过训练模型区分正常样本和粘贴的 ImageNet-1k 内容，取得了最佳的验证性能。所提出的双头模型在异常样本上预测均匀分布的表现与 C 类多分类模型相当，同时优于其他几种经过验证的方法。我们在 WildDash 测试数据集上评估了表现最好的两个模型，并在 WildDash 基准测试中创造了新的最先进水平。