ProOOD: プロトタイプ誘導による外れ値（OOD）耐性の3D占有予測プロトタイプ

arXiv cs.RO / 2026/4/2

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

ProOODは、3Dセマンティック占有予測向けの軽量でプラグアンドプレイ可能な手法であり、外れ値（OOD）入力への頑健性と、ロングテールなクラスバイアスを改善します。
このアプローチでは、プロトタイプ誘導のセマンティック・インペインテーション（欠損領域の補完）により、遮蔽された領域をクラス整合的な特徴で埋めます。これにより、誤って異常（アノマリ）を希少クラスに割り当ててしまうことを減らすのに役立ちます。
さらに、プロトタイプ誘導のテールマイニングを導入し、希少クラスの表現を強化し、「OOD吸収」がテールクラスへと流れ込む（取り込まれる）問題を緩和します。
ProOODはまた、EchoOODを提案しており、ローカルのロジット整合性とローカル／グローバルのプロトタイプマッチングを組み合わせることで、信頼できるボクセル単位のOODスコアを生成します。
5つのデータセットでの実験により、最先端の結果が示されています。SemanticKITTIでは全体で+3.57% mIoU、テールクラスで+24.80% mIoU、VAA-KITTIでは+19.34 AuPRCrといった改善が得られ、コードは公開されています。

Abstract

3Dのセマンティック占有予測は自動運転の中核ですが、現在の手法は長い尾を持つクラスの偏りや分布外（OOD）入力に対して脆弱であり、多くの場合、まれなクラスに異常を過信して割り当ててしまいます。私たちは、プロトタイプに導かれた改良と学習不要のOODスコアリングを組み合わせる軽量のプラグアンドプレイ手法 ProOOD を提案します。ProOOD は（i）プロトタイプに導かれたセマンティック補完で、隠れた領域をクラス整合的な特徴で埋めること、（ii）プロトタイプに導かれたテールマイニングで、まれなクラスの表現を強化してOODの吸収を抑えること、そして（iii）局所のロジット整合性と、局所および大域のプロトタイプマッチングを融合して信頼できるボクセルレベルのOODスコアを生成する EchoOOD から構成されます。5つのデータセットに対する大規模な実験により、ProOOD が、分布内の3D占有予測とOOD検出の両方において最先端の性能を達成することを示します。SemanticKITTI では、全体でベースラインを +3.57% mIoU、テールクラスで +24.80% tail-class mIoU 上回ります。VAA-KITTI では AuPRCr が +19.34 ポイント向上し、ベンチマーク間で一貫した改善が得られます。これらの改善により、より較正された占有推定と、安全性が重要な都市部の自動運転におけるより信頼できるOOD検出が実現されます。ソースコードは https://github.com/7uHeng/ProOOD で公開されています。