摘要

标准的语义分割模型之所以取得成功，得益于精心构建的、包含固定语义类别集合的数据集，而并未考虑从新类别中识别未知对象的可能性。现有的异常检测方法受限于逐像素分类范式，其预测结果往往缺乏平滑性与对象性（objectness）。此外，为检测异常而进行的额外训练还会损害模型对已知类别的性能表现。本文提出一种新的范式——基于区域的分类，以更有效地分割未知对象。我们发现，掩码分类中的对象查询（object queries）在行为上类似于“一对一”（one-vs-all）分类器。基于这一发现，我们提出一种新颖的异常评分函数——RbA（Rejection by All），其定义异常事件为“被所有已知类别均拒绝”。大量实验表明，掩码分类显著提升了现有异常检测方法的性能，而采用所提出的RbA方法取得了最佳效果。此外，我们还设计了一种仅需极少异常样本监督的优化目标，用于训练RbA。通过引入异常样本进行进一步微调，模型对未知对象的检测性能得到提升，且与以往方法不同的是，该过程不会降低对已知对象（内点）的识别性能。