UMAD: Unsupervised Mask-Level Anomaly Detection for Autonomous Driving

要約

自動運転において、非典型的な交通シナリオに対処することは依然として困難な課題です。
ただし、ほとんどの異常検出アプローチは、生のセンサー データでトレーニングすることはできず、外れ値データと、教師ありの方法でトレーニングされた強力なセマンティック セグメンテーション モデルにさらされる必要があります。
これにより、正規性の表現がラベル付きデータに限定され、適切にスケーリングされません。
この研究では、教師なし異常検出を再検討し、生成世界モデルと教師なし画像セグメンテーションを活用した UMAD を紹介します。
私たちの方法は、最先端の教師なし異常検出を上回ります。

要約(オリジナル)

Dealing with atypical traffic scenarios remains a challenging task in autonomous driving. However, most anomaly detection approaches cannot be trained on raw sensor data but require exposure to outlier data and powerful semantic segmentation models trained in a supervised fashion. This limits the representation of normality to labeled data, which does not scale well. In this work, we revisit unsupervised anomaly detection and present UMAD, leveraging generative world models and unsupervised image segmentation. Our method outperforms state-of-the-art unsupervised anomaly detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google