論文の概要: From Pixel to Mask: A Survey of Out-of-Distribution Segmentation

• arxiv url: http://arxiv.org/abs/2508.10309v1
• Date: Thu, 14 Aug 2025 03:26:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.169523
• Title: From Pixel to Mask: A Survey of Out-of-Distribution Segmentation
• Title（参考訳）: PixelからMask: アウト・オブ・ディストリビューション・セグメンテーションの調査
• Authors: Wenjie Zhao, Jia Li, Yunhui Guo,
• Abstract要約: AIセキュリティに対する懸念が高まり、アウト・オブ・ディストリビューション(OoD)の検出とセグメンテーションが注目を集めている。 OoDセグメンテーションはこの制限に対処し、画素レベルの粒度で異常なオブジェクトをローカライズする。 この機能は、認識モジュールが検出するだけでなく、OoDオブジェクトを正確にセグメント化する必要がある自律運転のような安全クリティカルなアプリケーションにとって重要である。
• 参考スコア（独自算出の注目度）: 20.818007127481913
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Out-of-distribution (OoD) detection and segmentation have attracted growing attention as concerns about AI security rise. Conventional OoD detection methods identify the existence of OoD objects but lack spatial localization, limiting their usefulness in downstream tasks. OoD segmentation addresses this limitation by localizing anomalous objects at pixel-level granularity. This capability is crucial for safety-critical applications such as autonomous driving, where perception modules must not only detect but also precisely segment OoD objects, enabling targeted control actions and enhancing overall system robustness. In this survey, we group current OoD segmentation approaches into four categories: (i) test-time OoD segmentation, (ii) outlier exposure for supervised training, (iii) reconstruction-based methods, (iv) and approaches that leverage powerful models. We systematically review recent advances in OoD segmentation for autonomous-driving scenarios, identify emerging challenges, and discuss promising future research directions.
• Abstract（参考訳）: AIセキュリティに対する懸念が高まり、アウト・オブ・ディストリビューション(OoD)の検出とセグメンテーションが注目を集めている。 従来のOoD検出手法はOoDオブジェクトの存在を識別するが、空間的位置決めが欠如しており、下流タスクにおける有用性を制限している。 OoDセグメンテーションはこの制限に対処し、画素レベルの粒度で異常なオブジェクトをローカライズする。 認識モジュールはOoDオブジェクトの検出だけでなく、正確にOoDオブジェクトをセグメント化し、ターゲットとなる制御アクションを可能にし、システム全体の堅牢性を高める必要がある。 本調査では,現在のOoDセグメンテーションアプローチを4つのカテゴリに分類する。 (i)テスト時間OoDセグメンテーション (二 監督訓練用外周露光 (三)再建法 (4) 強力なモデルを活用するアプローチ。 我々は、自動運転シナリオにおけるOoDセグメンテーションの最近の進歩を体系的にレビューし、新たな課題を特定し、将来的な研究方向性について議論する。

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)
• Seamless Detection: Unifying Salient Object Detection and Camouflaged Object Detection [73.85890512959861]
  本稿では,SOD(Salient Object Detection)とCOD(Camouflaged Object Detection)を統合化するためのタスク非依存フレームワークを提案する。 我々は、間隔層と大域的コンテキストを含む単純で効果的なコンテキストデコーダを設計し、67fpsの推論速度を実現する。 公開SODデータセットとCODデータセットの実験は、教師なし設定と教師なし設定の両方において、提案したフレームワークの優位性を実証している。
  論文  参考訳（メタデータ） (2024-12-22T03:25:43Z)
• On the Black-box Explainability of Object Detection Models for Safe and Trustworthy Industrial Applications [7.848637922112521]
  本稿では,物体検出モデルに対するモデルに依存しない説明可能性手法に着目し,形態的フラクタル摂動ピラミッド(P)法の拡張としてD-Pを提案する。 これらの手法を実世界の産業用・ロボット用データセット上で評価し,マスク数,モデルサイズ,画像解像度などのパラメータが説明の質に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2024-10-28T13:28:05Z)
• Forward-Forward Learning achieves Highly Selective Latent Representations for Out-of-Distribution Detection in Fully Spiking Neural Networks [6.7236795813629]
  生物学的システムにインスパイアされたスパイキングニューラルネットワーク(SNN)は、限界を克服するための有望な道を提供する。 本研究では,これらの課題に対処するために,スパイクフォワードフォワードアルゴリズム(FFA)の可能性を検討する。 本稿では,クラス分布からサンプルを遠ざける特徴を検出するための,新しい非勾配属性法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T08:08:17Z)
• OoDIS: Anomaly Instance Segmentation and Detection Benchmark [57.89836988990543]
  この作業は、インスタンスセグメンテーションとオブジェクト検出タスクを含むために、よく使われる異常セグメンテーションベンチマークを拡張します。 異常セグメンテーションおよびオブジェクト検出手法の評価は,これらの課題が未解決問題のままであることを示す。
  論文  参考訳（メタデータ） (2024-06-17T17:59:56Z)
• Integrity Monitoring of 3D Object Detection in Automated Driving Systems using Raw Activation Patterns and Spatial Filtering [12.384452095533396]
  ディープニューラルネットワーク(DNN)モデルは、自動運転システム(ADS)における物体検出に広く利用されている。 しかし、そのようなモデルは、重大な安全性に影響を及ぼす可能性のあるエラーを起こしやすい。 このようなエラーを検知することを目的とした検査・自己評価モデルは、ADSの安全な配置において最重要となる。
  論文  参考訳（メタデータ） (2024-05-13T10:03:03Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)

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。