論文の概要: CoT-Segmenter: Enhancing OOD Detection in Dense Road Scenes via Chain-of-Thought Reasoning

• arxiv url: http://arxiv.org/abs/2507.03984v1
• Date: Sat, 05 Jul 2025 10:23:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.959965
• Title: CoT-Segmenter: Enhancing OOD Detection in Dense Road Scenes via Chain-of-Thought Reasoning
• Title（参考訳）: CoT-セグメンタ:チェーンオブソート推論による高密度道路シーンにおけるOOD検出の促進
• Authors: Jeonghyo Song, Kimin Yun, DaeUng Jo, Jinyoung Kim, Youngjoon Yoo,
• Abstract要約: 本稿では,道路異常シーンにおけるOOD検出を目的とした新しいChain-of-Thought(CoT)ベースのフレームワークを提案する。 我々のフレームワークは、標準ベンチマークと新たに定義されたRoadAnomalyデータセットの課題サブセットの両方において、常に最先端のメソッドを上回ります。
• 参考スコア（独自算出の注目度）: 10.100430371132463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective Out-of-Distribution (OOD) detection is criti-cal for ensuring the reliability of semantic segmentation models, particularly in complex road environments where safety and accuracy are paramount. Despite recent advancements in large language models (LLMs), notably GPT-4, which significantly enhanced multimodal reasoning through Chain-of-Thought (CoT) prompting, the application of CoT-based visual reasoning for OOD semantic segmentation remains largely unexplored. In this paper, through extensive analyses of the road scene anomalies, we identify three challenging scenarios where current state-of-the-art OOD segmentation methods consistently struggle: (1) densely packed and overlapping objects, (2) distant scenes with small objects, and (3) large foreground-dominant objects. To address the presented challenges, we propose a novel CoT-based framework targeting OOD detection in road anomaly scenes. Our method leverages the extensive knowledge and reasoning capabilities of foundation models, such as GPT-4, to enhance OOD detection through improved image understanding and prompt-based reasoning aligned with observed problematic scene attributes. Extensive experiments show that our framework consistently outperforms state-of-the-art methods on both standard benchmarks and our newly defined challenging subset of the RoadAnomaly dataset, offering a robust and interpretable solution for OOD semantic segmentation in complex driving environments.
• Abstract（参考訳）: 効果的なアウト・オブ・ディストリビューション(OOD)検出は、特に安全性と精度が最重要である複雑な道路環境において、セマンティックセグメンテーションモデルの信頼性を確保するために、クリティカルである。 近年の大規模言語モデル (LLMs) の発展にもかかわらず、特に GPT-4 は CoT (Chain-of-Thought) によるマルチモーダル推論を著しく向上させたが、OODセマンティックセマンティックセマンティックセマンティクスへのCoTベースの視覚推論の適用は、まだ明らかになっていない。 本稿では,現在最先端のOODセグメンテーション手法が常に苦戦している3つの難題を,道路シーンの異常を広範囲に解析することにより,(1)密集した重複オブジェクト,(2)小さなオブジェクトを持つ遠景,(3)大きめのフォアグラウンド支配オブジェクトの3つを同定する。 提案課題に対処するため,道路異常シーンにおけるOOD検出を目的とした新しいCoTベースのフレームワークを提案する。 提案手法は,GPT-4などの基礎モデルの広範な知識と推論能力を活用し,画像理解の改善と,観察された問題シーン属性に適合したプロンプトに基づく推論により,OODの検出を向上させる。 大規模な実験により、我々のフレームワークは標準ベンチマークと新たに定義されたRoadAnomalyデータセットの課題サブセットの両方において、常に最先端のメソッドよりも優れており、複雑な運転環境におけるOODセマンティックセグメンテーションの堅牢で解釈可能なソリューションを提供しています。

関連論文リスト

• Segmenting Objectiveness and Task-awareness Unknown Region for Autonomous Driving [46.70405993442064]
  本稿では,自律走行シーンのためのセグメンティング・オブジェクトネスとタスク・アウェアネス(SOTA)という新しいフレームワークを提案する。 SOTAは、セマンティック・フュージョン・ブロック(SFB)を通じて目的のセグメンテーションを強化し、道路ナビゲーションタスクに関係のない異常をフィルタリングする。
  論文  参考訳（メタデータ） (2025-04-27T10:08:54Z)
• RUNA: Object-level Out-of-Distribution Detection via Regional Uncertainty Alignment of Multimodal Representations [33.971901643313856]
  RUNAは、アウト・オブ・ディストリビューション(OOD)オブジェクトを検出するための新しいフレームワークである。 これは、OODオブジェクトとIDを効果的に区別するために、地域不確実性アライメント機構を使用する。 実験の結果,RUNAはオブジェクトレベルのOOD検出において最先端の手法を大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-03-28T10:01:55Z)
• Dissecting Out-of-Distribution Detection and Open-Set Recognition: A Critical Analysis of Methods and Benchmarks [17.520137576423593]
  我々は,コミュニティ内の2つの大きなサブフィールドの総合的なビュー – アウト・オブ・ディストリビューション(OOD)検出とオープンセット認識(OSR) – を提供することを目指している。 我々は,OOD検出における最先端手法とOSR設定との厳密な相互評価を行い,それらの手法の性能の強い相関関係を同定する。 我々は,OOD検出とOSRによって取り組まれている問題を解消する,より大規模なベンチマーク設定を提案する。
  論文  参考訳（メタデータ） (2024-08-29T17:55:07Z)
• Generalized Out-of-Distribution Detection and Beyond in Vision Language Model Era: A Survey [107.08019135783444]
  アウト・オブ・ディストリビューション(OOD)サンプルは、機械学習システムの安全性を保証するために不可欠である。 その他の問題としては、異常検出(AD)、新規検出(ND)、オープンセット認識(OSR)、異常検出(OD)などがある。
  論文  参考訳（メタデータ） (2024-07-31T17:59:58Z)
• Out-of-Domain Intent Detection Considering Multi-Turn Dialogue Contexts [91.43701971416213]
  我々は,OODインテント検出タスクにおけるマルチターンコンテキストをモデル化するためのコンテキスト認識型OODインテント検出(Caro)フレームワークを提案する。 CaroはF1-OODスコアを29%以上改善することで、マルチターンOOD検出タスクの最先端性能を確立している。
  論文  参考訳（メタデータ） (2023-05-05T01:39:21Z)
• OpenOOD: Benchmarking Generalized Out-of-Distribution Detection [60.13300701826931]
  アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルな機械学習アプリケーションにとって不可欠である。 この分野では現在、統一的で厳格に定式化され、包括的なベンチマークが欠けている。 関連フィールドで開発された30以上のメソッドを実装したOpenOODという,統一的で構造化されたシステムを構築します。
  論文  参考訳（メタデータ） (2022-10-13T17:59:57Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。