摘要

近年来的语义分割模型能够准确分类与训练数据分布相似的测试样本。然而，其基于判别式封闭集（closed-set）的推理方式在实际数据场景中面对分布外偏移（distributional shifts）和分布外（out-of-distribution, OOD）类别时表现不够稳健，导致在测试阶段作为置信度评分使用时，预测概率往往极为不准确。为解决这一问题，我们提出一种基于归一化流（normalizing flow）框架的生成式模型，可同时实现分布内误分类（in-distribution misclassification, IDM）检测与OOD检测。该模型名为基于能量输入的流检测器（FlowEneDet），无需对已有部署的分割模型进行耗时的重新训练，即可直接扩展其功能。FlowEneDet具有低复杂度的架构设计，仅带来极小的内存开销增加。在Cityscapes、Cityscapes-C、FishyScapes以及SegmentMeIfYouCan等基准数据集上，将FlowEneDet应用于预训练的DeepLabV3+与SegFormer语义分割模型时，均在IDM/OOD检测任务中取得了具有竞争力的性能表现。