Synthetic outlier generation for anomaly detection in autonomous driving

要約

異常検出、または異常値検出は、確立されたパターンやデータの大半から著しく逸脱したインスタンスを識別するために、様々なドメインで重要なタスクです。自律走行の文脈では、深層学習モデルがしばしば異常または異常値サンプルに対して過信を示すため、異常の識別は、安全上重要な事故を防ぐために特に重要である。本研究では、異常検出モジュールを持つ画像セマンティックセグメンテーションモデルを訓練するための様々な戦略を探索する。最先端のDenseHybridモデルの学習段階に修正を導入することで、異常検出における大幅な性能向上を達成する。さらに、我々の修正したDenseHybridアプローチに匹敵する結果を達成しつつ、オリジナルのDenseHybridモデルの性能を上回る簡易検出器を提案する。これらの結果は、自律走行の文脈における異常検知を強化するための我々の提案戦略の有効性を示している。

要約(オリジナル)

Anomaly detection, or outlier detection, is a crucial task in various domains to identify instances that significantly deviate from established patterns or the majority of data. In the context of autonomous driving, the identification of anomalies is particularly important to prevent safety-critical incidents, as deep learning models often exhibit overconfidence in anomalous or outlier samples. In this study, we explore different strategies for training an image semantic segmentation model with an anomaly detection module. By introducing modifications to the training stage of the state-of-the-art DenseHybrid model, we achieve significant performance improvements in anomaly detection. Moreover, we propose a simplified detector that achieves comparable results to our modified DenseHybrid approach, while also surpassing the performance of the original DenseHybrid model. These findings demonstrate the efficacy of our proposed strategies for enhancing anomaly detection in the context of autonomous driving.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL