표준화된 최대 로짓: 도시 환경 세그멘테이션에서 예기치 않은 도로 장애물 식별을 위한 간단하면서도 효과적인 접근법

도로 위의 예기치 않은 객체(예: 도로 위의 개)를 의미론적 세분화에서 식별하는 것은 안전이 중요한 응용 분야에서 매우 중요하다. 기존의 접근 방식은 외부 데이터셋에서 예기치 않은 객체의 이미지를 사용하거나, 추가적인 학습(예: 세그멘테이션 네트워크 재학습 또는 별도의 네트워크 학습)을 요구하는데, 이는 상당한 노동력 또는 긴 추론 시간을 수반한다. 하나의 가능한 대안은 사전 훈련된 네트워크의 예측 점수, 예를 들어 최대 로지트(max logits, 즉 최종 소프트맥스 레이어 전의 클래스별 최대값)를 활용하여 이러한 객체를 탐지하는 것이다. 그러나 각 예측 클래스에 대한 최대 로지트의 분포는 서로 크게 다르기 때문에, 도시 환경 세그멘테이션에서 예기치 않은 객체를 식별하는 성능이 저하된다. 이러한 문제를 해결하기 위해, 우리는 각 예측 클래스 내에서 최대 로지트의 상대적 의미를 반영하고 서로 다른 분포를 일치시키기 위해 최대 로지트를 표준화하는 간단하면서도 효과적인 방법을 제안한다. 또한, 인접한 픽셀이 유사한 의미 정보를 공유한다는 직관을 바탕으로, 두 가지 다른 관점에서 국소 영역을 고려한다. 기존의 방법들과 달리, 본 연구의 방법은 외부 데이터셋을 사용하지 않으며 추가적인 학습도 필요하지 않아 기존의 사전 훈련된 세그멘테이션 모델에 널리 적용 가능하다. 이 간단한 접근 방식은 공개된 Fishyscapes Lost & Found 리더보드에서 새로운 최고 성능을 달성하며 큰 격차로 기존 최고 기록을 압도한다. 코드는 다음과 같은 링크에서 공개되어 있다: $\href{https://github.com/shjung13/Standardized-max-logits}{링크}$.