Improving Anomaly Segmentation with Multi-Granularity Cross-Domain Alignment

要約

異常セグメンテーションは、画像内の異常な物体を識別する上で極めて重要な役割を果たし、自動運転システムにおける危険検出に不可欠です。
既存の手法は合成データに関して注目すべき結果を示していますが、多くの場合、合成データ ドメインと現実世界のデータ ドメイン間の差異を考慮できません。
このギャップに対処するために、シーンと個々のサンプル レベルの両方でドメイン全体の機能を調和させるように調整された Multi-Granularity Cross-Domain Alignment (MGCDA) フレームワークを導入します。
私たちの貢献は 2 つあります。 i) マルチソース ドメインの敵対的トレーニング モジュールを提供します。
これにより、マルチソースの敵対的損失と動的ラベル平滑化が統合され、複数の処理段階にわたるドメインに依存しない表現の学習が容易になります。
ii) 革新的なクロスドメイン異常認識対照学習手法を提案します。} この手法は、異常中心の戦略を使用して困難なアンカー ポイントと画像を適切に選択し、サンプル レベルでの正確な位置合わせを保証します。
Fishyscapes と RoadAnomaly データセットの広範な評価により、MGCDA の優れたパフォーマンスと適応性が実証されました。
さらに、パラメータフリーの推論を実行し、さまざまなネットワーク アーキテクチャで機能する機能は、異常セグメンテーションの最前線を前進させる際のその特徴を際立たせています。

要約(オリジナル)

Anomaly segmentation plays a pivotal role in identifying atypical objects in images, crucial for hazard detection in autonomous driving systems. While existing methods demonstrate noteworthy results on synthetic data, they often fail to consider the disparity between synthetic and real-world data domains. Addressing this gap, we introduce the Multi-Granularity Cross-Domain Alignment (MGCDA) framework, tailored to harmonize features across domains at both the scene and individual sample levels. Our contributions are twofold: i) We present the Multi-source Domain Adversarial Training module. This integrates a multi-source adversarial loss coupled with dynamic label smoothing, facilitating the learning of domain-agnostic representations across multiple processing stages. ii) We propose an innovative Cross-domain Anomaly-aware Contrastive Learning methodology.} This method adeptly selects challenging anchor points and images using an anomaly-centric strategy, ensuring precise alignment at the sample level. Extensive evaluations of the Fishyscapes and RoadAnomaly datasets demonstrate MGCDA’s superior performance and adaptability. Additionally, its ability to perform parameter-free inference and function with various network architectures highlights its distinctiveness in advancing the frontier of anomaly segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google