利用合成的未知資料進行語意分割的異常偵測

Abstract

異常偵測在很多生命攸關系統的應用上，如自駕車系統，是一件很重要的事情。隨著機器人學和電腦視覺的發展，有些研究致力於在影像分類的任務上面做到異常偵測，然而，將異常偵測做在語意分割上的這個題目先前仍然沒有太多研究，因此這個題目需要我們進一步的深入探討。在傳統分類的問題上面，有一些先前的研究有在做異常偵測的探討，而這樣的系統主要都是取得一些不同於訓練資料集裡的類別，在訓練的過程中將這些類別的物件當作是假定的未知物品，而這樣的作法會中存在著兩個缺點。(1)在訓練過程中，我們不會知道最終測試時的未知物件是甚麼，而且這些未知物件甚至在訓練過程中可能都還不存在或還沒被創造出來。(2)訓練出來的模型對於未知物品預測的準確度會隨著我們選來當假定的未知物品種類的不同而有很大的浮動。有鑑於我們發現了以往傳統的異常偵測方法中的這些缺點，我們提出了一個嶄新的合成假定的未知資料的方法，來做到在語意分割上的異常偵測。我們設計了一個遮罩梯度更新的模組來生成在正常資料點決策邊界附近的輔助資料(合成假定的未知資料)。另外，我們也提出了新的不同於傳統交叉熵的損失函數，來讓模型更專注於學習決策邊界附近的資料點。我們在兩個語意分割異常偵測的資料集上面都有很好的實驗成績表現，另外，消融實驗更證明的我們提出來的模組確實是有效的。最後，我們希望能藉由我們提出來的概念讓之後的研究者對於這項語意分割異常偵測的題目有更多的想法，並能對於這個題目提出更完備的解決方式，進而在實際應用上提升這些性命攸關系統的安全性。