UGainS: 不确定性引导的异常实例分割
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
自主车辆需要准确理解其环境以安全导航。通过识别未知物体,特别是那些在训练过程中不存在的野生动物,以防止严重事故的发生非常重要。虽然语义分割方法在异常物体的识别方面取得了重大进展,但全面理解场景动态需要分割单个物体,因此实例分割至关重要。然而,由于缺乏专门的基准测试,这一领域的发展一直滞后。为了填补这一空白,我们将最常使用的异常分割基准测试扩展到实例分割任务。我们对异常实例分割方法的评估表明,这个挑战仍然是一个未解决的问题。可以在该网站和竞赛页面找到基准网址:[insert URL]。
Jun, 2024
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
本文介绍了 “SegmentMeIfYouCan” 基准测试集,该基准测试集包含具有先前未见过的目标类别的异常对象分割和路障分割两个任务,桥接了目前的分割神经网络无法处理以前未见过的物体的问题,并提供了诸多先进的基准测试指标。
Apr, 2021
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
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
提出一种名为 S2M 的方法,将异常得分转换为分割掩码,用于语义分割中的 OoD 检测,通过将异常得分转化为提示来消除阈值选择的需求,实验证明 S2M 在各种基准测试中的 IoU 平均值上超过了现有技术约 10%,F1 平均值上超过了现有技术约 30%。
Nov, 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。
Aug, 2023
通过利用全局信息来估计分割不确定性的一种新方法,该方法首先学习了一个解剖感知的表示,然后将新分割的预测映射为一个解剖上可信的分割,借助于与可信分割的偏差,估计底层像素级不确定性以进一步指导分割网络,该方法仅使用一次推断从我们的表示中估计不确定性,从而减少了总计算量。该解剖感知方法在心脏磁共振成像的左心房和腹部 CT 扫描的多个器官这两个公开数据集上改善了分割准确性,以两个常用的评估指标衡量。
Oct, 2023