RbA: Maske sınıflandırıcıları kullanarak hepsi tarafından reddedilen bilinmeyen bölgeleri segmentlere ayırmak

İnce taneli görsel anlamsal anlayış, otonom sürüş ve diğer birçok bilgisayarla görme görevi için gereklidir. Bu amaçla, segmentasyon görevlerinde, önerilen kıyaslamaların sayısının artmasının bir sonucu olarak hızlı gelişmelere tanık olunmaktadır. Bununla birlikte, mevcut segmentasyon kriterleri genellikle sabit bir anlamsal kategori kümesini varsaymaktadır. Sonuç olarak, segmentasyon yöntemlerinin geliştirilmesi bu varsayım etrafında yoğunlaşırken, gerçek hayat senaryolarında karşılaşılabilecek yeni veya dağıtım dışı (OoD) örneklerin ele alınmasına çok az önem verilmiştir. Arıza durumunda feci sonuçlardan kaçınmak için bir güvenlik uyarısının verilebilmesi amacıyla bilinmeyen nesnelerin tanımlanması çok önemli olduğundan, bu durum otonom bir araç için sorun teşkil etmektedir. Sonuç olarak OoD segmentasyon görevinin ayrı ayrı ele alınması, mevcut segmentasyon yöntemlerine uyum sağlayan ve ana segmentasyon görevlerinin performansını göz ardı eden yöntemlerin ortaya çıkmasına yol açmıştır. Ek olarak, bu yöntemler piksel başına sınıflandırma paradigmasını takip eden modellere dayanmalarından dolayı tahmin edilen anormallik haritalarında genel olarak düzgünlük ve nesnellik eksikliğinden de muzdariptir. Bu tezde, doğası gereği belirsizliği ifade etme yeteneğine sahip birleşik bir mimari olarak bilinmeyen bölümleme için bölge düzeyinde sınıflandırma modellerinin potansiyelini araştırıyoruz. Maske sınıflandırma modellerindeki nesne sorgularının, tüm sınıflandırıcılara göre tek bir sınıflandırıcı gibi davranma eğiliminde olduğunu gösterdik. Bu bulguya dayanarak, aykırı değer olma olayını bilinen tüm sınıflar tarafından reddedilmek olarak tanımlayarak hepsi Tarafından Reddedilen (RbA) adı verilen yeni bir aykırı değer puanlama fonksiyonu öneriyoruz. Ayrıca, kapalı küme performansına zarar vermeden sözde aykırı veriler kullanarak bilinmeyen bölümleme performansını artırmak için önerilen bu puanı optimize eden bir hedef de öneriyoruz. RbA, yüksek etki alanı değişimleri altında iyi performans gösterir ve bilinen sınıf belirsizliği nedeniyle sınırlar gibi belirsizlik kaynaklarını ayırma yeteneğine sahiptir. RbA'yı çeşitli bilinmeyen segmentasyon kriterlerine göre değerlendiriyoruz ve önceki piksel düzeyinde bilinmeyen segmentasyon yöntemleriyle karşılaştırıldığında önemli marjlarla en son teknolojiye sahip performansa ulaştığını gösteriyoruz. RbA'nın etkinliğini doğrulayan kapsamlı ablasyon deneylerini rapor ediyoruz.