自动驾驶背景下，为了在开放世界中部署无人车时遇到未知对象，将标准语义分割模型配备异常感知能力至关重要。本文通过减小合成的超出分布数据和驾驶场景之间的领域差异，有效缓解训练中可能出现的突破口，提升了超出分布合成过程。此外，我们提出了一种简单的微调损失函数，有效地促使预训练的语义分割模型生成 “给定类别之外” 的预测，利用像素级超出分布分数进行异常分割。在最小化微调工作的情况下，我们的流程使得在异常分割任务中能够使用预训练模型，同时保持对原始任务的性能。

Aug, 2023

本文提出了一种名为 ObsNet 的 OOD 检测体系结构，通过基于局部对抗攻击（LAA）的专用训练方案，实现了在速度和精度方面得到表现的最佳方法，解决了当前方法在实际应用中速度和精度快慢两难的问题。

Aug, 2021

本文通过在不同的数据集上使用深度学习的方法，实现了以城市街道场景为基础的图像识别模型对于不同场景下的物体进行准确分类和目标检测，并且通过对于特征向量的提取和降维，成功实现了基于图像碎片的图像检索和分割。

May, 2020

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

本研究提出了一种改进基于像素 softmax 熵的方法的两步流程，通过引入第二个训练目标，最大化对不同数据集的 softmax 熵，并利用手工创造的 Metric 从 softmax 概率得出透明的后处理步骤来降低误检率，从而提高深度神经网络的 OoD 检测性能。

Dec, 2020

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

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

本文探索了 out-of-distribution segmentation 任务，提出了一种名为 MOoSe 的策略，能够有效地运用语义分割模型中所表示的各种上下文信息，从而提高 OoD 检测和不确定性预测的性能。

Aug, 2022

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

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