초록
분포 외 탐지(out-of-distribution detection)의 핵심은 내부 분포(in-distribution) 데이터 또는 그 특징 표현의 밀도 추정에 있다. 특히 내부 분포 데이터가 복잡한 기저 구조를 지닌 영역에서 밀도 이상 탐지(dense anomaly detection)는 매우 도전적인 과제이다. 최근 이웃 기반(Nearest-Neighbors) 접근법은 산업 검사 및 이미지 분류와 같은 오브젝트 중심 데이터 영역에서 우수한 성능을 보여주었다. 본 논문에서는, 적절한 특징 표현을 사용할 경우, 이러한 최근접 이웃 기반 접근법이 복잡한 주행 환경에서 밀도 이상 탐지(dense novelty detection)에서도 최첨단 성능을 달성함을 보여준다. 특히, 트랜스포머 기반 아키텍처가 이 작업에 있어 훨씬 더 우수한 유사도 지표를 생성하는 특징 표현을 생성함을 발견하였다. 우리는 이러한 모델의 멀티헤드 구조가 그 원인 중 하나임을 규명하고, CNN에 일부 성능 향상을 전이할 수 있는 방법을 제시한다. 궁극적으로, 본 방법은 간단하고 비침습적(non-invasive)이며, 주된 세그멘테이션 성능에 영향을 주지 않으며, 이상치에 대한 학습을 요구하지 않으면서도 RoadAnomaly, StreetHazards, SegmentMeIfYouCan-Anomaly에서 최첨단 성능을 달성한다.