複雑な都市ドライブシーンにおける異常セグメンテーションのためのピクセル単位エネルギー偏り付き放棄学習

複雑な都市ドライブシーンにおける最先端（SOTA）の異常セグメンテーション手法は、外れ値の曝露から学習されたピクセル単位の分類不確実性、または外部再構成モデルを活用している。しかし、従来の不確実性アプローチでは、高不確実性を直接異常と関連付けることにより、誤った異常予測を引き起こす場合があり、また外部再構成モデルはリアルタイムの自動運転エッジシステムにおいて効率が低いため不向きである。本論文では、異常クラスをピクセル単位で適応的に学習するモデルと、正常ピクセルの分布を学習するエネルギーベースモデル（EBM）を用いた、ピクセル単位のエネルギー偏り付き放棄学習（PEBAL）という新しい異常セグメンテーション手法を提案する。具体的には、EBMと放棄学習（AL）の非自明な共同学習に基づくアプローチであり、EBMは外れ値曝露から得られる異常ピクセルに対して高エネルギー出力を学習し、ALはこれらの高エネルギーピクセルが異常クラスに含められた際に適応的に低いペナルティを受けられるように学習される。我々はPEBALをSOTA手法と広範に比較評価し、4つのベンチマークにおいて最良の性能を達成することを示した。コードはhttps://github.com/tianyu0207/PEBALにて公開されている。