ドメインシフトが存在する場合の同時セマンティックセグメンテーションと外れ値検出

最近、現実的な道路走行データセットでの成功により、実世界応用における堅牢な性能の探索への関心が高まっています。未解決の主要な問題の一つは、与えられた推論エンジンで信頼性高く認識できない画像コンテンツを特定することです。そこで、単一の順方向パスで主タスクとともに密集した外れ値マップを回復する手法について研究し、共有畳み込み特徴量に依存しています。主タスクとしてセマンティックセグメンテーションを考え、WildDash val（インライア）、LSUN val（アウトライア）、およびPascal VOC 2007から貼り付けられたオブジェクト（アウトライア）に対して広範な検証を行いました。ImageNet-1kには多くの道路走行ピクセルが含まれているにもかかわらず、少なくとも名目上は視覚的世界全体の多様性を完全に考慮していないという点において、インライアと貼り付けられたImageNet-1kコンテンツを区別するための訓練によって最良の検証性能を達成しました。提案された二つのヘッドを持つモデルは、アウトライアで一様分布を予測するように訓練されたCクラス多クラスモデルと同等の性能を示し、他のいくつかの検証済み手法を上回りました。最良の二つのモデルについてWildDashテストデータセット上で評価を行い、WildDashベンチマークにおいて新しい最先端の成果を達成しました。