Pixelweise energiebiastierte Abstinenz-Lernmethode für die Anomalie-Segmentierung in komplexen städtischen Fahrszenarien

Zustandsbestimmende (SOTA) Ansätze zur Anomalie-Segmentierung in komplexen urbanen Fahrszenarien erforschen die pixelweise Klassifikationsunsicherheit, die aus Outlier-Exposition oder externen Rekonstruktionsmodellen gelernt wird. Allerdings können frühere Unsicherheitsansätze, die eine hohe Unsicherheit direkt mit Anomalien verbinden, gelegentlich zu falschen Anomalievorhersagen führen, und externe Rekonstruktionsmodelle sind oft zu ineffizient für Echtzeit-Systeme in selbstfahrenden Fahrzeugen mit eingebetteter Hardware. In diesem Paper stellen wir eine neue Methode zur Anomalie-Segmentierung vor, genannt pixel-wise energy-biased abstention learning (PEBAL), die pixelweise Abstinenzlernverfahren (Abstention Learning, AL) mit einem Modell kombiniert, das eine adaptive pixelweise Anomaliekategorie lernt, sowie ein energiebasiertes Modell (Energy-Based Model, EBM), das die Verteilung von Inlier-Pixeln erlernt. Genauer basiert PEBAL auf einer nichttrivialen gemeinsamen Schätzung von EBM und AL: Dabei wird das EBM so trainiert, dass es hohe Energiewerte für Anomalie-Pixel (aus Outlier-Exposition) ausgibt, während das AL so trainiert wird, dass diese Pixel mit hohen Energiewerten eine adaptive geringe Strafe erhalten, wenn sie der Anomaliekategorie zugeordnet werden. Wir evaluieren PEBAL umfassend gegenüber SOTA-Verfahren und zeigen, dass es die beste Leistung auf vier Benchmarks erzielt. Der Quellcode ist unter https://github.com/tianyu0207/PEBAL verfügbar.