← 返回论文列表

用于语义分割中单次逐像素分布外检测的能量感知NECO
Energy-Aware NECO for Single-Pass Pixel-wise Out-of-Distribution Detection in Semantic Segmentation

作者: Boyuan Zhang, Huanshan Huang, Yifei Cao
arXiv: 2605.29773v1
分类: cs.CV, cs.AI, cs.RO
📝 论文摘要
可靠的移动机器人语义分割需要准确的密集预测以及在分布偏移下稳健的不确定性估计。诸如蒙特卡洛Dropout等强不确定性基线方法通常需要重复的随机前向传播，难以在边缘平台上部署。 我们提出了一种用于语义分割的单次前向像素级分布外检测器——能量感知NECO。该方法将从解码器特征计算得到的中心化NECO风格几何比率与基于对数能量的得分相结合。两个成分均使用在纯分布内验证集上拟合的统计量进行标准化，并通过凸组合融合。 我们在miniMUAD子集上使用真实像素级分布外标签评估该方法。所提出的混合得分实现了0.8539的AUROC，优于仅使用NECO（0.8280）、仅使用能量（0.8171）以及集成预测熵基线（0.8124）。额外的定性分析和操作点分析表明，混合检测器在保持单次前向设计效率优势的同时，提升了整体排序性能。 代码已开源：https://github.com/boyuan-zhangx/Energy-Aware_NECO

📊 核心分析

🎯 研究动机
- 语义分割在移动机器人部署中需要同时满足**精确的密集预测** 和**分布偏移下的鲁棒不确定性估计** - 现有强基线方法如**蒙特卡洛Dropout(Monte Carlo Dropout)** 需要多次随机前向传播，难以在边缘平台部署 - 现有单次前向方法在**像素级分布外(OOD)检测** 性能上仍有提升空间
🔧 核心方法
- 提出**Energy-Aware NECO** 方法，融合两种互补的OOD信号：基于解码器特征的**NECO风格几何比率(centered NECO-style geometric ratio)** 和基于logit的**能量分数(Energy score)** - 两种分量分别通过从纯内分布验证集上拟合的统计量进行标准化，再通过**凸组合(convex combination)** 融合为混合分数 - 仅需**单次前向(single-pass)** 推理，无需随机采样或集成，适合边缘部署
💡 核心创新
- **首次** 将**NECO几何比率** 与**能量分数(Energy score)** 结合用于像素级OOD检测，实现互补性融合 - 在保持**单次前向效率** 的同时，性能显著优于单独使用NECO或Energy以及集成预测熵基线 - 在miniMUAD数据集上使用真实像素级OOD标签进行评估，**AUROC达到0.8539**，比NECO-only高2.6个百分点
🏆 总体贡献
- 为语义分割中的像素级OOD检测提供了一种**高效且有效** 的单次前向解决方案 - 在miniMUAD基准上取得**领先性能**，并进行了定性和操作点分析，验证了混合检测器的整体排序优势 - 开源代码（GitHub链接）促进社区复现和后续研究