論文の概要: Road-Aware Anomaly Segmentation with Query-Guided Polygons and CLIP in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2607.04304v1
- Date: Sun, 05 Jul 2026 13:43:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.887848
- Title: Road-Aware Anomaly Segmentation with Query-Guided Polygons and CLIP in Autonomous Driving
- Title（参考訳）: 問合せ誘導ポリゴンとCLIPを用いた自律走行における道路認識異常セグメンテーション
- Abstract要約: 我々は、リトレーニングを必要とせず、OODデータも補助的な監視も不要な、軽量でポストプロセッシング、ロードアウェアな異常セグメンテーションフレームワークを提案する。
提案手法は,問合せレベルのマスク信頼度を利用して,マスクトランスフォーマーに基づくセグメンテーションネットワーク上に構築する。
Fishyscapes、SMIYC、RoadAnomalyの3つの公開ベンチマークの評価は一貫して高いパフォーマンスを示している。
- 参考スコア（独自算出の注目度）: 0.5371337604556311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional semantic segmentation models operate under a closed-set assumption and struggle to recognize unknown or unexpected objects-an essential capability for autonomous driving. As a result, such models often misclassify or overlook out-of-distribution (OOD) road anomalies, posing safety risks in open-world environments. We present a lightweight, postprocessing, road-aware anomaly segmentation framework that requires no retraining, no OOD data, and no auxiliary supervision. Our approach builds on a mask transformer-based segmentation network by exploiting query-level mask confidence and deriving a polygonal road prior to detect gap regions that may correspond to anomalies. To further suppress false positives, we introduce a CLIP-based zero-shot semantic filtering module using in-distribution prompts, with optional generalized OOD prompts. By jointly leveraging spatial priors and semantic verification, our framework produces robust and interpretable anomaly predictions. Evaluation on three public benchmarks-Fishyscapes, SMIYC, and RoadAnomaly-shows consistently strong performance. In particular, our method outperforms the training-free baseline Maskomaly on most metrics and achieves the highest AP on Fishyscapes LostAndFound. These results demonstrate the practicality and deployability of our approach for real-world autonomous driving systems.
- Abstract（参考訳）: 従来のセマンティックセグメンテーションモデルは、クローズドセットの仮定の下で動作し、未知または予期せぬ物体を認識するのに苦労する。
結果として、そのようなモデルは、オープンワールド環境での安全性のリスクを生じさせる道路異常(OOD)を誤って分類したり、見落としたりすることが多い。
我々は、リトレーニングを必要とせず、OODデータも補助的な監視も不要な、軽量でポストプロセッシング、ロードアウェアな異常セグメンテーションフレームワークを提案する。
提案手法は,問合せレベルのマスク信頼を利用して,異常に対応するようなギャップ領域を検出する前に多角形道路を導出することにより,マスクトランスフォーマーに基づくセグメンテーションネットワークを構築する。
偽陽性をさらに抑制するため,オプションで一般化されたOODプロンプトを用いたCLIPベースのゼロショットセマンティックフィルタリングモジュールを導入する。
空間的先行と意味的検証を共同で活用することにより、我々のフレームワークは頑健で解釈可能な異常予測を生成する。
Fishyscapes、SMIYC、RoadAnomalyの3つの公開ベンチマークの評価は一貫して高いパフォーマンスを示している。
特に,本手法はトレーニングフリーのベースラインであるMaskomalyをほとんどの指標で上回り,Fishyscapes LostAndFoundで最高のAPを達成している。
これらの結果は,現実の自律運転システムにおけるアプローチの実用性と展開性を示すものである。
関連論文リスト
- Vision-Language Feature Alignment for Road Anomaly Segmentation [38.2615882515309]
本稿では,事前学習された視覚言語モデル(VLM)のセマンティクスを組み込んだ視覚言語異常セグメンテーションフレームワークを提案する。
具体的には,Mask2Formeの視覚的特徴を既知のカテゴリのCLIPテキスト埋め込みに適応させる,素早い学習駆動アライメントモジュールを設計する。
推論時に,テキスト誘導類似性,CLIPに基づく画像テキスト類似性,検出信頼度を統合したマルチソース推論戦略を導入する。
論文 参考訳（メタデータ） (2026-03-01T10:17:00Z) - Unsupervised Learning for Detection of Rare Driving Scenarios [1.5399429731150376]
本研究では,まれかつ極端な運転シナリオを検出するための教師なし学習フレームワークについて検討する。
我々は最近提案されたディープ・アイソレーション・フォレスト(DIF)を利用して、非線形および複雑な異常を識別する。
提案手法は, 稀かつ有害な運転シナリオを効果的に同定できることを示す。
論文 参考訳（メタデータ） (2025-12-29T16:35:20Z) - Out-of-Distribution Segmentation via Wasserstein-Based Evidential Uncertainty [22.45768202733885]
確率的単純度幾何を尊重しながら分布距離をキャプチャするワッサーシュタイン損失を用いたエビデンスセグメンテーションフレームワークを提案する。
提案手法は,不確実性に基づくアプローチに比べてOODセグメンテーション性能が向上する。
論文 参考訳（メタデータ） (2025-12-12T08:36:59Z) - Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。
我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。
本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
論文 参考訳（メタデータ） (2025-09-24T13:35:15Z) - 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) - Prior2Former -- Evidential Modeling of Mask Transformers for Assumption-Free Open-World Panoptic Segmentation [74.55677741919035]
顕在学習に根ざしたセグメンテーション・ビジョン・トランスフォーマの最初のアプローチである Prefer2Former (P2F) を提案する。
P2Fは、ピクセル単位のバイナリマスク割り当てにおいて、モデル不確実性を計算するためのベータを組み込むことで、マスクビジョントランスフォーマーアーキテクチャを拡張している。
未知のクラスに対処するほとんどのセグメンテーションモデルとは異なり、P2FはOODデータサンプルへのアクセスや、ヴォイド(ラベルなし)クラスに対する対照的なトレーニングなしで動作する。
論文 参考訳（メタデータ） (2025-04-07T08:53:14Z) - Multi-modality Anomaly Segmentation on the Road [39.96773593485109]
現在の一様異常セグメンテーションフレームワークは、画像中の非異常領域に対して高い異常スコアを生成する傾向にある。
我々は自律運転システムのためのマルチモーダルな不確実性に基づく異常セグメンテーションフレームワークMMRAS+を開発した。
実際、MMRAS+は自律運転のための最初のマルチモーダルな異常セグメンテーションソリューションである。
論文 参考訳（メタデータ） (2025-03-22T09:55:42Z) - Unsupervised Self-Driving Attention Prediction via Uncertainty Mining
and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。
結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-03-17T00:28:33Z) - Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。
本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。
複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文 参考訳（メタデータ） (2023-03-12T16:23:27Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳（メタデータ） (2020-06-26T11:07:32Z)
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。