도로 환경 세그멘테이션에서의 이상 현상 드러내기

이상 세그멘테이션은 자율 주행 응용 분야에서 핵심적인 과제이며, 기존에는 각 픽셀에 대해 독립적으로 분류하는 문제로 접근해왔다. 그러나 픽셀 간의 맥락적 의미를 고려하지 않고 개별적으로 추론할 경우, 객체 경계 부근에서 높은 불확실성과 수많은 거짓 양성 결과가 발생한다. 본 연구에서는 픽셀 기반 분류에서 마스크 기반 분류로의 패러다임 전환을 제안한다. 마스크 기반의 새로운 방법인 Mask2Anomaly는 이상 탐지 기법을 마스크 분류 아키텍처에 통합하는 가능성을 입증한다. Mask2Anomaly는 마스크 내 이상을 보다 효과적으로 탐지하기 위해 다음과 같은 기술적 혁신을 포함한다: i) 전경과 배경 영역을 각각 집중적으로 분석할 수 있는 글로벌 마스크 주의(attention) 모듈; ii) 이상 클래스와 기존 클래스 간의 경계를 최대한 확보하는 마스크 대조 학습(mask contrastive learning); iii) 거짓 양성 결과를 줄이기 위한 마스크 정밀화 솔루션. Mask2Anomaly는 픽셀 단위 및 컴포넌트 수준 평가 모두에서 다양한 벤치마크에서 새로운 최고 성능을 달성하였다. 특히, 기존 최고 성능 대비 평균 거짓 양성률을 60% 감소시켰다. GitHub 페이지: https://github.com/shyam671/Mask2Anomaly-Unmasking-Anomalies-in-Road-Scene-Segmentation