에너지 기반 정규화 흐름을 통한 세그멘테이션에서 동시 오분류 및 이상치 탐지

최근의 의미 분할 모델들은 훈련 데이터 분포와 유사한 테스트 시 예측 예제를 정확하게 분류할 수 있다. 그러나 이러한 모델은 분류 집합이 고정된 닫힌 집합 접근 방식을 취하기 때문에, 분포 변화가 발생하거나 분포 외(OOD) 클래스가 포함된 실제 데이터 환경에서는 강건성이 부족하다. 그 결과, 테스트 시점에서 예측 확률을 신뢰도 점수로 사용할 경우 매우 부정확한 결과가 나타날 수 있다. 이를 해결하기 위해, 정상 분포 내 오분류(IDM)와 OOD 탐지를 동시에 수행할 수 있는 생성 모델을 제안한다. 이 모델은 정규화 흐름(normalizing flow) 프레임워크를 기반으로 하며, 에너지 기반 입력을 사용하는 흐름 기반 탐지기(FlowEneDet)로 구현된다. 제안된 FlowEneDet는 기존에 배포된 분할 모델을 재학습 없이 간편하게 확장할 수 있으며, 시간 소모가 큰 재학습 과정 없이도 적용 가능하다. 또한, 메모리 사용량이 거의 증가하지 않는 저복잡도 아키텍처를 제공한다. FlowEneDet는 사전 학습된 DeepLabV3+ 및 SegFormer 의미 분할 모델에 적용했을 때, Cityscapes, Cityscapes-C, FishyScapes, SegmentMeIfYouCan 등의 벤치마크에서 IDM/OOD 탐지에서 우수한 성능을 보였다.