[論文レビュー] A Benchmark for Anomaly Segmentation.

Dan Hendrycks, Steven Basart+4 more|arXiv (Cornell University)|Nov 25, 2019

Anomaly Detection Techniques and Applications参考文献 34被引用数 50

ひとこと要約

本論文は、実際の走行画像とシミュレートされた走行画像を組み合わせることで、現実的で多様な異常検出を可能にする大規模な異常セグメンテーションのための統合異常オブジェクトセグメンテーション（CAOS）ベンチマークを紹介する。マルチクラスおよびマルチラベル設定における新しい分布外検出器を提案し、画像全体を異常と分類するのではなく、異常領域のみをセグメンテーションするという点で、大規模な異常セグメンテーション分野を顕著に前進させる。

ABSTRACT

Detecting out-of-distribution examples is important for safety-critical machine learning applications such as self-driving vehicles. However, existing research mainly focuses on small-scale images where the whole image is considered anomalous. We propose to segment only the anomalous regions within an image, and hence we introduce the Combined Anomalous Object Segmentation benchmark for the more realistic task of large-scale anomaly segmentation. Our benchmark combines two novel datasets for anomaly segmentation that incorporate both realism and anomaly diversity. Using both real images and those from a simulated driving environment, we ensure the background context and a wide variety of anomalous objects are naturally integrated, unlike before. Additionally, we improve out-of-distribution detectors on large-scale multi-class datasets and introduce detectors for the previously unexplored setting of multi-label out-of-distribution detection. These novel baselines along with our anomaly segmentation benchmark open the door to further research in large-scale out-of-distribution detection and segmentation.

研究の動機と目的

• 画像全体を異常と分類するのではなく、異常領域のみをセグメンテーションすることに焦点を当て、大規模かつインスタンスレベルの異常検出におけるギャップを埋める。
• 実際の走行データとシミュレートされた走行データを用いて、自然な背景の文脈に多様な異常オブジェクトを統合することで、現実的で多様なベンチマークを構築する。
• 大規模なマルチクラスデータセットにおける分布外検出性能を、新しい検出手法を用いて向上させる。
• これまで未解決であったマルチラベル分布外検出の設定に対する検出器を導入し、評価する。

提案手法

• 実世界の走行画像とシミュレートされた走行環境からの2つの新規データセットを組み合わせることで、新しいベンチマークCAOSを構築する。
• 現実的な背景シーンと多様な異常オブジェクトを統合することで、文脈的および異常の多様性を確保する。
• 大規模なマルチクラスおよびマルチラベル異常セグメンテーションタスクに特化した新しい分布外検出モデルを提案する。
• 既存の分布外検出技術をインスタンスレベルのセグメンテーションに適応・改善し、異常領域の局所化に焦点を当てる。
• 実データと合成データの両方を用いることで、多様な異常タイプおよび環境条件において、モデルの頑健性と一般化性能を確保する。
• ピクセル単位の異常スコアを予測するセグメンテーションヘッドを採用し、画像内での異常オブジェクトの正確な局所化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 多様で文脈的に統合された異常オブジェクトを用いて、現実的かつ大規模な異常セグメンテーションをどのようにベンチマーク化できるか？
• RQ2 画像全体を異常と分類するのではなく、異常領域のみをセグメンテーションすることに焦点を当てた場合、分布外検出性能にどのような向上が得られるか？
• RQ3 既存の分布外検出手法をマルチクラスおよびマルチラベル異常セグメンテーション設定に適応した場合、その性能はどの程度か？
• RQ4 シミュレートされたデータは、現実的な走行シナリオにおける異常セグメンテーションモデルの訓練および評価を効果的に支援できるか？

主な発見

• CAOSベンチマークは、実際の走行データとシミュレートされた走行データを組み合わせ、自然に統合された多様な異常を備えることで、異常セグメンテーションモデルのより現実的な評価を可能にする。
• 提案された検出器は、従来の手法と比較して、大規模なマルチクラス異常セグメンテーションベンチマークにおいて優れた性能を達成している。
• 本研究は、セグメンテーションタスクにおけるマルチラベル分布外検出のための最初の効果的なアプローチを導入し、分布外研究の範囲を拡張した。
• シミュレートされたデータの統合により、モデルの一般化性能が向上し、より広範な異常タイプとシーンコンテキストでの訓練が可能になった。