복잡한 도시 주행 환경에서 이상 탐지 위한 픽셀 단위 에너지 편향 회피 학습

복잡한 도시 주행 환경에서의 최신 이상 탐지 분할 기법들은 이상 노출(Outlier Exposure)을 통해 학습한 픽셀 단위 분류 불확실성 또는 외부 재구성 모델을 탐색한다. 그러나 기존의 불확실성 기반 접근법은 높은 불확실성과 이상 현상을 직접 연결하는 방식으로 인해 때때로 잘못된 이상 예측을 초래할 수 있으며, 외부 재구성 모델은 실시간 자율 주행 임베디드 시스템에 적합하지 않을 정도로 계산 효율성이 낮은 경향이 있다. 본 논문에서는 픽셀 단위 에너지 편향 회피 학습(Pixel-wise Energy-Biased Abstention Learning, PEBAL)이라는 새로운 이상 분할 방법을 제안한다. PEBAL은 적응형 픽셀 단위 이상 클래스를 학습하는 모델과 내부 데이터(pixel) 분포를 학습하는 에너지 기반 모델(Energy-based Model, EBM)을 활용하여 픽셀 단위 회피 학습(Abstention Learning, AL)을 탐색한다. 구체적으로, PEBAL은 EBM과 AL 간의 비자명한 공동 학습에 기반하며, EBM은 이상 픽셀(이상 노출을 통해 얻은 데이터)에 대해 높은 에너지 값을 출력하도록 학습되고, AL은 이러한 높은 에너지 픽셀이 이상 클래스에 포함될 때 적응형으로 낮은 손실(패널티)을 받도록 학습된다. 우리는 PEBAL을 최신 기법들과 광범위하게 비교 평가하여, 네 가지 벤치마크에서 모두 최고의 성능을 달성함을 입증하였다. 코드는 https://github.com/tianyu0207/PEBAL 에서 공개되어 있다.