Weit entfernt im tiefen Weltraum: Dichte basierte Ausreißererkennung auf der Grundlage des nächsten Nachbarn

Der Schlüssel zur Erkennung von Daten außerhalb der Verteilung liegt in der Dichteschätzung der innerhalb der Verteilung liegenden Daten oder ihrer Merkmalsdarstellungen. Dies ist insbesondere bei dichten Anomalieerkennungsaufgaben in Domänen mit komplexer zugrundeliegender Struktur herausfordernd. Nachbar-basierte Ansätze haben sich in objektzentrierten Datendomänen, wie der industriellen Inspektion und der Bildklassifikation, als wirksam erwiesen. In diesem Paper zeigen wir, dass Nachbar-basierte Ansätze auch state-of-the-art Ergebnisse bei der dichten Neuheitserkennung in komplexen Fahrszenen erzielen, sofern eine geeignete Merkmalsdarstellung verwendet wird. Insbesondere stellen wir fest, dass Architekturen auf Basis von Transformers Darstellungen liefern, die für diese Aufgabe deutlich bessere Ähnlichkeitsmaße ermöglichen. Wir identifizieren die Multi-Head-Struktur dieser Modelle als einen der Gründe hierfür und demonstrieren eine Methode, um Teile dieser Verbesserungen auf CNNs zu übertragen. Letztendlich ist der Ansatz einfach und nicht invasiv, d. h., er beeinflusst die primäre Segmentierungsgenauigkeit nicht, erfordert keine Anpassung an Anomaliebeispiele und erreicht state-of-the-art Ergebnisse auf den Datensätzen RoadAnomaly, StreetHazards und SegmentMeIfYouCan-Anomaly.