SegmentMeIfYouCan – Ein Benchmark für Anomalie Segmentierung
In Zusammenarbeit mit der ETH Zürich und der EPFL ist das im Folgenden beschriebene Projekt entstanden. Das entsprechende Paper wurde erfolgreich bei der NeurIPS 2021 eingereicht.
Tiefe neuronale Netze (DNNs) für semantische Segmentierung operieren für gewöhnlich auf einer abgeschlossenen Menge semantischer Klassen. Werden sie in der „offenen“ Welt verwendet, zum Beispiel für das autonome Fahren, so werden sie zwangsläufig auf Objekte treffen, welche keiner dieser Klassen angehören (Anomalien). Besonders für sicherheitsrelevante Applikationen ist es essentiell, Anomalien als solche zu erkennen und zu lokalisieren. Unsere SegmentMeIfYouCan Benchmark bietet die Möglichkeit, bestehende Methoden zur Anomalie-Segmentierung zu vergleichen, und soll weitere Forschung in diese Richtung fördern. Dabei wird zwischen zwei verschiedenen Aufgaben unterschieden: 1) Segmentierung aller anomalen Objekte und 2) Segmentierung von Hindernissen auf der Straße (bekannt oder unbekannt). Mit RoadAnomaly21 und RoadObstacle21 stellen wir außerdem zwei entsprechende Datensätze bereit.
Paper: https://arxiv.org/abs/2104.14812
Website: http://segmentmeifyoucan.com/