Instance-Aware Observer Network for Out-of-Distribution Object Segmentation

要約

予測不確実性推定に関する最近の研究では、セマンティック セグメンテーションの Out-Of-Distribution (OOD) 検出で有望な結果が示されています。
ただし、これらの方法では、画像内の関心点、つまり異常を正確に特定するのに苦労しています。
この制限は、ピクセル レベルでの詳細な予測が難しいためです。
この問題に対処するために、オブザーバーにオブジェクト インスタンスの知識を提供することで、最近の ObsNet アプローチを構築します。
インスタンスごとのマスク予測を利用して ObsNet を拡張します。
追加のクラスに依存しないオブジェクト検出器を使用して、オブザーバーの予測をフィルター処理および集計します。
最後に、画像内の各インスタンスの一意の異常スコアを予測します。
提案した方法が、3 つのデータセットの OOD オブジェクトから分布内オブジェクトを正確に解きほぐすことを示します。

要約(オリジナル)

Recent works on predictive uncertainty estimation have shown promising results on Out-Of-Distribution (OOD) detection for semantic segmentation. However, these methods struggle to precisely locate the point of interest in the image, i.e, the anomaly. This limitation is due to the difficulty of finegrained prediction at the pixel level. To address this issue, we build upon the recent ObsNet approach by providing object instance knowledge to the observer. We extend ObsNet by harnessing an instance-wise mask prediction. We use an additional, class agnostic, object detector to filter and aggregate observer predictions. Finally, we predict an unique anomaly score for each instance in the image. We show that our proposed method accurately disentangles in-distribution objects from OOD objects on three datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google