To achieve a higher grade of reliability among deep learning models, OOD (Out-Of-Distribution) detection has become an increasingly more prominent research field. What OOD detection does is to make the model figure out if inputted data is data it is meant to be trained on, or if it is data from a new distribution, giving the model a sense of its own ignorance. Models regularly used in the OOD detection field are likelihood-based generative models. This is because, unlike discriminative models, these model the full data distribution, learning more about the data itself. To get more information and structure about the data, one can use semantic segmentation. Semantic segmentation is when all pixels in an image of a certain class are marked with corresponding values and the other unrecognized pixels are marked as zero. This thesis test the impact of using semantic segmentation as additional inputs to VAEs and normalizing flow models. The results show that semantic segmentation does have an impact on the likelihood given by the models and is, therefore, something worth investigating further. 

För att uppnå en högre grad av tillförlitlighet bland djupinlärningsmodeller har OOD (Out-Of-Distribution)-detektering blivit ett allt mer framträdande forskningsområde. Vad OOD-detektering gör är att få en modell att räkna ut om inmatat data är data den är tränad på, eller om det är data från en ny fördelning (OOD), vilket ger modellen en känsla av sin egen okunnighet. Modeller som regelbundet används inom OOD-detekteringsfältet är sannolikhetsbaserade generativa modeller. Detta beror på att till skillnad från diskriminativa modeller, modellerar dessa hela datafördelningen och lär sig mer om själva datan. För att få mer information och struktur om datat kan man använda semantisk segmentering. Semantisk segmentering är när alla pixlar i en bild av en viss klass är markerade med motsvarande värden, och de andra okända pixlarna markeras som noll. Denna uppsats testar effekten av att använda semantisk segmentering som ytterligare ingångar till VAE:er och normaliserande flödesmodeller. Resultaten visar att semantisk segmentering har en inverkan på sannolikheten för modellerna och är därför värt att undersöka ytterligare.