영역 변동이 있는 환경에서 동시 의미 분할 및 이상치 탐지

최근 현실적인 도로 주행 데이터셋에서의 성공으로, 실제 응용 프로그램에서 견고한 성능을 탐구하는 관심이 증가하고 있습니다. 주요 미해결 문제 중 하나는 주어진 추론 엔진으로 신뢰성 있게 인식할 수 없는 이미지 내용을 식별하는 것입니다. 따라서 우리는 단일 전방 패스로 주 작업과 함께 밀도 높은 이상치 맵을 복원하기 위한 접근 방식을 연구합니다. 이 연구에서는 공유된 합성곱 특성을 활용하여 세마나틱 세그멘테이션을 주 작업으로 고려하고, WildDash val (인라이어), LSUN val (아웃라이어), 그리고 Pascal VOC 2007에서 가져온 붙여넣기 객체 (아웃라이어)에 대해 광범위한 검증을 수행합니다. 우리는 ImageNet-1k의 붙여넣기 콘텐츠를 인라이어와 구분하도록 훈련함으로써 최상의 검증 성능을 달성했습니다. 비록 ImageNet-1k가 많은 도로 주행 픽셀을 포함하고 있으며, 적어도 명목상으로는 시각적 세계의 전체 다양성을 설명하지 못하지만 그렇습니다. 제안된 두 개의 헤드 모델은 아웃라이어에서 균일 분포를 예측하도록 훈련된 C-way 다중 클래스 모델과 유사한 성능을 보이며, 여러 다른 검증된 접근 방식보다 우수한 결과를 나타냅니다. 우리는 가장 좋은 두 개의 모델을 WildDash 테스트 데이터셋에서 평가하였으며, WildDash 벤치마크에서 새로운 최고 기준을 설정하였습니다.