On Advantages of Mask-level Recognition for Outlier-aware Segmentation

要約

タイトル：アウトライア認識におけるマスクレベル認識のメリットについて

要約：

– 多くの密度認識アプローチは、特定のピクセルごとに別々の判断を行う。これらの手法は、通常のクローズド・セットセットアップでは競争力のある性能を発揮するが、野外での重要なアプリケーションでは外れ値が存在する場合に強力なパフォーマンスが必要となる。
– 我々は、非微調基準モデルの場合でも、この厳しいセットアップでマスクレベル予測が大きく利益をもたらすことを示した。
– さらに、密な認識の不確実性に関する代替形式を提案し、意味的な境界での偽陽性応答を効果的に減らすことができることを示した。
– 提案された式は、非常に強力な基準よりもさらに改善され、負のデータを訓練することなしに、アウトライア認識における最新の状態を設定する。また、我々の貢献によって、最近のパノプティックセットアップでもパフォーマンスが向上した。
– 詳細な実験により、我々のアプローチがピクセルレベルの手掛かりをマスクレベルの予測に暗黙的に集約することによって成功していることを確認した。

要約(オリジナル)

Most dense recognition approaches bring a separate decision in each particular pixel. These approaches deliver competitive performance in usual closed-set setups. However, important applications in the wild typically require strong performance in presence of outliers. We show that this demanding setup greatly benefit from mask-level predictions, even in the case of non-finetuned baseline models. Moreover, we propose an alternative formulation of dense recognition uncertainty that effectively reduces false positive responses at semantic borders. The proposed formulation produces a further improvement over a very strong baseline and sets the new state of the art in outlier-aware semantic segmentation with and without training on negative data. Our contributions also lead to performance improvement in a recent panoptic setup. In-depth experiments confirm that our approach succeeds due to implicit aggregation of pixel-level cues into mask-level predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI