基于像素级能量偏置的拒识学习在复杂城市驾驶场景下的异常分割

当前最先进的异常分割方法在复杂城市驾驶场景中，通常依赖于从异常样本暴露（outlier exposure）中学习的像素级分类不确定性，或使用外部重建模型。然而，以往直接将高不确定性关联于异常的策略，有时会导致错误的异常预测；而外部重建模型则往往计算开销过大，难以满足实时自动驾驶嵌入式系统的需求。本文提出一种新型异常分割方法——像素级能量偏差弃权学习（Pixel-wise Energy-biased Abstention Learning, PEBAL），该方法结合了一种自适应学习像素级异常类的模型，以及一个基于能量的模型（Energy-based Model, EBM），用于建模正常像素的分布。具体而言，PEBAL采用非平凡的EBM与弃权学习（Abstention Learning, AL）联合训练机制：EBM被训练为对异常像素（来自异常样本暴露）输出高能量值，而AL则被优化，使得这些高能量像素在被归入异常类别时，能获得自适应的低惩罚。我们在四个基准数据集上对PEBAL进行了全面评估，结果表明其性能优于现有最先进方法。代码已开源，地址为：https://github.com/tianyu0207/PEBAL。