RbA：すべてのものによって拒否された未知領域のセグメンテーション

標準的な意味分割モデルの成功は、固定された意味カテゴリ群を持つ精心に整備されたデータセットに起因しており、新規カテゴリに属する未知の物体を識別する可能性については考慮されていない。既存の外れ値検出手法は、ピクセル単位の分類パラダイムの制約により、予測の滑らかさと物体性（objectness）に欠けるという課題を抱えている。さらに、外れ値検出のための追加学習は、既知クラスの性能を低下させるという問題も生じる。本論文では、未知物体のより良い分割を実現するために、領域レベルの分類という新たなパラダイムを検討する。我々は、マスク分類における物体クエリ（object query）が、一対多（one-vs-all）分類器のように振る舞う傾向があることを示す。この知見に基づき、すべての既知クラスによって拒否されることを外れ値であるという事象として定義することで、新たな外れ値スコア関数「RbA（Rejection by All）」を提案する。広範な実験により、マスク分類が既存の外れ値検出手法の性能を向上させることを確認した。特に、提案するRbAを用いることで最良の結果が得られた。また、最小限の外れ値ラベルによる監視を用いてRbAを最適化するための新たな目的関数を提案する。外れ値を用いた微調整により未知物体の性能が向上し、従来の手法とは異なり、内点（inlier）の性能は低下しないことが確認された。