المفاهيم الأساسية
Unser Verfahren S2M wandelt Anomaliescores direkt in präzise Segmentierungsmasken für Objekte außerhalb der Verteilung um, ohne dass eine manuelle Schwellwertauswahl erforderlich ist.
الملخص
In diesem Artikel wird eine neue Methode namens S2M vorgestellt, die Anomaliescores in präzise Segmentierungsmasken für Objekte außerhalb der Verteilung (Out-of-Distribution, OoD) umwandelt. Bestehende Methoden zur OoD-Erkennung in der semantischen Segmentierung verwenden Anomaliescores, um anomale Pixel zu identifizieren, haben aber Schwierigkeiten, daraus genaue Masken für die gesamten OoD-Objekte zu generieren.
S2M überwindet diese Einschränkung, indem es die Anomaliescores in Rahmenpromots umwandelt, die dann von einem promptbasierten Segmentierungsmodell verarbeitet werden, um die OoD-Objekte präzise zu segmentieren. S2M eliminiert somit die Notwendigkeit einer manuellen Schwellwertauswahl.
Die Autoren zeigen in umfangreichen Experimenten, dass S2M die bisherigen Spitzenreiter in Bezug auf IoU und mittleren F1-Wert um etwa 20% bzw. 40% übertrifft. S2M ist ein einfacher und allgemeiner Ansatz, der mit verschiedenen Anomaliescores und promptbasierten Segmentierungsmodellen kombiniert werden kann.
الإحصائيات
Die Entropie-basierten Anomaliescores können verwendet werden, um die Unsicherheit des Segmentierungsmodells bei der Vorhersage eines Pixels zu quantifizieren.
Die energiebasierten Anomaliescores nach PEBAL können ebenfalls als Eingabe für S2M verwendet werden.
اقتباسات
"S2M eliminiert die Notwendigkeit einer manuellen Schwellwertauswahl, was in der Praxis oft eine Herausforderung darstellt."
"S2M übertrifft die bisherigen Spitzenreiter in Bezug auf IoU und mittleren F1-Wert um etwa 20% bzw. 40% über verschiedene Benchmarks hinweg."