UGainS: 不确定性引导的异常实例分割

道路上的一个意外物体可能会导致事故或造成伤害。为了防止这种情况发生，我们需要一种可靠的机制来检测道路上的异常物体。这一任务被称为异常分割，可以成为实现安全可靠自动驾驶的重要一步。目前的方法通过为每个像素分配一个异常分数，并使用简单的启发式方法对异常区域进行分组来解决异常分割问题。然而，当评估单个异常物体的分割性能时，像素分组成为一个限制因素。为了解决将多个异常实例合并为一个的问题，我们提出了一种生成精确异常实例掩模的方法。我们的方法主要基于一个用于识别不确定区域的分布外分割模型和一个用于异常实例分割的强大通用分割模型。我们研究了如何利用不确定区域来指导这种分割模型执行异常实例的分割。通过结合来自通用模型的强大对象先验信息，我们进一步提高了逐像素异常分割的性能。我们的方法在Fishyscapes Lost and Found和RoadAnomaly验证集上分别实现了80.08%和88.98%的平均精度（AP），优于现有的像素级异常分割方法。项目页面：https://vision.rwth-aachen.de/ugains