我们提出了一种从像素分类到掩膜分类的方法,通过集成异常检测方法于掩膜分类体系结构中实现对异常的改进。该方法包括全局掩膜注意力模块、掩膜对比学习和掩膜细化解决方案,能够在多项基准测试中实现最新的、基于像素和组件级别的性能。Mask2Anomaly 方法通过减少平均误报率 60% 达到了最新的最先进性能。
Jul, 2023
通过使用不确定区域指导细分异常实例的模型和强大的对象先验,我们提出了一个能够准确检测道路异常物体的方法,优于当前的像素级异常分割方法,实验结果在 Fishyscapes Lost and Found 和 RoadAnomaly 验证集上分别达到了 80.08% 和 88.98% 的平均准确率。
Aug, 2023
我们研究了在自动驾驶背景下使用异常检测模块训练图像语义分割模型的不同策略,通过对最先进的 DenseHybrid 模型的训练阶段进行修改,我们实现了显著的异常检测性能提升。此外,我们提出的简化检测器不仅实现了与改进的 DenseHybrid 方法相当的结果,而且超过了原始 DenseHybrid 模型的性能。这些发现证明了我们提出的策略在自动驾驶背景下提升异常检测的有效性。
提出由余弦相似度分类器轻量化地从训练数据中提取类原型,并通过原型学习的方式解决语义分割中的异常检测问题,达到了具有显著优势的最新技术水平,可应用于智能自主系统中。
Jun, 2021
本文提出了一个统一框架用于语义分割的失效和异常检测,该框架由两个模块组成,一个是图像合成模块,另一个是比较模块,在三个数据集上进行验证并大幅提升现有方法的状态,例如在 Cityscapes 上的 6%AUPR-Error,在 MSD 中胰腺肿瘤分割的 7%Pearson 相关性,在 StreetHazards 异常分割方面 20%AUPR。
Mar, 2020
使用一种名为 OmniAD 的新型网络,通过改进逆向蒸馏的异常检测方法,提高了像素级异常检测性能,同时借助新的数据增强策略,即视图综合和相机定位,提高了对未完美对齐图像的泛化能力。通过在多对象数据集 ToyCity 和单对象数据集 MAD 上进行定性和定量结果验证,验证了这种方法的有效性。
Jun, 2024
基于条件生成对抗网络的深度学习框架,用于道路图像中像素级异常区域检测,实现了在多变数据集上高效稳健的最先进结果。
Feb, 2024
通过将物体检测方法与像素级异常检测方法相结合,实现了对未知物体的稳定性检测,并通过整合物体性分数和未知物体性分数提出了一种新的异常分数,称为未知物体性分数。当应用于公开可用的数据集时,定量评估结果表明该方法优于现有方法。
Mar, 2024
通过使用合成数据,我们提供了第一个用于自动驾驶的视频异常分割数据集,其中包含 7 个不同城镇记录的 120,000 帧高分辨率图像,我们还提供了最新的监督和无监督的道路异常分割方法的基准测试,并专注于两个新的度量标准:时间一致性和延迟感知的流式准确性。
Jan, 2024
本研究利用生成世界模型和无监督图像分割,重新审视无监督异常检测,并提出 UMAD 方法,其在无监督异常检测方面表现优于现有技术。