共识与记忆协同：一种用于城市场景异常分割的简单方法

异常分割是自动驾驶等安全关键应用中的关键任务，其目标是在训练过程中未见过的类别（即分布外，Out-of-Distribution, OOD）物体进行检测。该任务的核心挑战在于如何区分难以处理的分布内（in-distribution）样本与分布外样本，而这一问题尚未得到充分探讨。本文提出一种新颖且简洁的方法——共识协同记忆（Consensus Synergizes with Memory, CosMe），受心理学研究启发：群体在记忆任务中的表现优于个体。该方法的核心思想包括：1）构建一个记忆库，其中包含从预训练分割模型多个层级提取的已见类别原型；2）训练一个辅助模型以模仿预训练模型的行为，并通过测量两者中间层特征的一致性，作为与记忆库协同互补的判别线索。实验结果表明，CosMe在多个城市场景异常分割数据集上显著优于现有方法，展现出优异的区分硬样本分布内与分布外样本的能力。