エネルギーに基づくノーマライジングフローを用いたセマンティックセグメンテーションにおける同時誤分類検出とオブザーバブル外検出

最近の意味分割モデルは、訓練データの分布に類似したテスト時の例を正確に分類できるが、分布シフトや分布外（OOD）クラスを含む実用的なデータ環境では、識別的な閉集合アプローチが脆弱である。その結果、テスト時に予測確率を信頼度スコアとして用いる場合、極めて不正確な値となることがある。これを解決するために、本研究では正規化フロー（normalizing flow）フレームワークに基づく生成モデルを提案する。このモデルは、分布内誤分類（IDM）とOOD検出を同時に実現するものであり、従来のセマンティック分割モデルを再訓練することなく、容易に拡張可能である。提案手法であるエネルギーに基づく入力を持つフローベースの検出器（FlowEneDet）は、計算量が低く、メモリ使用量の増加も最小限に抑えられる軽量なアーキテクチャを実現する。DeepLabV3+およびSegFormerなどの事前学習済みのセマンティック分割モデルに適用した結果、FlowEneDetはCityscapes、Cityscapes-C、FishyScapes、SegmentMeIfYouCanの各ベンチマークにおいて、IDM/OOD検出の面で優れた性能を発揮した。