ICCVJul, 2023

道路场景分割中的异常解除

PDF
TL;DR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。
anomaly segmentationmask-based methodcontextual semanticsmask classificationmask refinement
发现论文，激发创造
  • Mask2Anomaly：面具变换器用于通用开放集分割

    将传统的按像素分类的方法转变为基于掩码分类的方法，提出了 Mask2Anomaly 方法来解决异常分割、开放集语义分割和开放集全景分割问题，并引入了全局掩码注意力模块、掩码对比学习、掩码细化解决方案和基于掩码架构特性的未知实例挖掘。经过全面的定性和定量评估，我们展示了 Mask2Anomaly 在异常分割、开放集语义分割和开放集全景分割基准中取得了最新的最佳结果。

    Sep, 2023

  • Maskomaly: 零样本遮盖异常分割

    提出了一个名为 Maskomaly 的异常分割框架，其通过简单的推理后处理步骤扩展了基于掩模的标准语义分割网络，并且在训练过程中不需要异常数据，在 SMIYC、RoadAnomaly 和 StreetHazards 数据集上实现了最佳结果，并引入了一种有益于稳健异常分割方法开发的新指标，在 RoadAnomaly 数据集上证明了其信息量的可靠性。

    May, 2023

  • 复杂驾驶场景中的逐像素异常检测

    本文提出一种基于不确定性信息和重新合成图像之间的差异信息相结合的像素级异常检测框架，旨在提高语义分割领域关键的自动驾驶系统的鲁棒性和性能表现。

    Mar, 2021

  • UGainS: 不确定性引导的异常实例分割

    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

  • 用于图像异常定位的掩蔽变形器

    基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。

    Oct, 2022

  • UMAD：无监督自动驾驶遮罩层异常检测

    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。

    Jun, 2024

  • IterMask2: MRI 中脑部病变的迭代非监督异常分割方法基于空间和频率掩蔽

    给定一篇研究论文，提取出五个关键词，准确代表其主要主题和研究领域。然后，用简化的中文单句来总结论文。

    Jun, 2024

  • 掩码级别识别对于异常感知分割的优势

    在密集识别任务中，采用基于掩码预测的方法可以有效提高对异常情况的识别性能，该方法有效减少了边界处的假阳性响应。在无负面数据训练的情况下，该方法在 outlier-aware 语义分割任务中取得了最新的最佳性能，并在最近的 panoptic setup 中取得了进一步的性能提升。

    Jan, 2023

  • AnoSeg: 自监督学习异常分割网络

    本文提出了一种新型的异常分割网络（AnoSeg），能够使用自监督学习直接生成准确的异常图，并通过像素精度和对抗损失以及坐标通道拼接等三种新技术保证异常分割的高精度性能。我们的实验表明，该方法优于目前 MVTec AD 数据集上的现有异常检测和异常分割方法，通过 IoU 指标也证明了其在异常分割方面的优越性。

    Oct, 2021

  • 使用原型检测语义分割中的异常

    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