基于 Softmax 概率聚合离散度测量的语义分割预测误差元分类检测

Nov, 2018

基于 Softmax 概率聚合离散度测量的语义分割预测误差元分类检测

Prediction Error Meta Classification in Semantic Segmentation: Detection via Aggregated Dispersion Measures of Softmax Probabilities

PDF

Matthias Rottmann, Pascal Colling, Thomas-Paul Hack, Robin Chan, Fabian Hüger...

TL;DR该论文提出了一种基于离散度量的语义分割网络预测质量的评估方法，并在自动驾驶和医疗成像等领域进行了实验验证，结果表明该方法的预测具有更高的准确性和可靠性。

Abstract

We present a method that "meta" classifies whether seg-ments predicted by a semantic segmentation neural networkintersect with the ground truth. For this purpose, we employ measures of dispersion for predicted pixel-wise class probability distributions, like classification entropy, tha

semantic segmentation dispersion measures machine learning automated driving medical imaging

发现论文，激发创造

语义分割的不确定性估计：提供改善自动机动车理赔处理的可靠性

利用元分类模型评估汽车零部件语义分割模型预测段的精度，通过剔除低质量的段，平均分割结果的 mIoU 略微提高 16 个百分点，错误预测段减少 77%。

Jan, 2024

语义分割中的 OOD 检测的熵最大化和元分类

本研究提出了一种改进基于像素 softmax 熵的方法的两步流程，通过引入第二个训练目标，最大化对不同数据集的 softmax 熵，并利用手工创造的 Metric 从 softmax 概率得出透明的后处理步骤来降低误检率，从而提高深度神经网络的 OoD 检测性能。

Dec, 2020

基于元认知的分割模型异常检测

通过引入一种轻量级模块，利用熵量测、分割预测和空间上下文来表征分割模型的不确定性，从而实时检测像素级的极端数据，同时结合生成的合成极端数据进行最大熵训练，我们的方法可以可靠地检测场景中的极端实例，并在语义分割基准测试中表现卓越。

Oct, 2023

概率校准的本地温度缩放

提出了一种基于卷积神经网络的学习性标签概率校准方法，该方法主要关注多标签语义分割的问题，并通过实验在不同的数据集上展示了该方法的改进效果。

Aug, 2020

推测物体检测的空间不确定性

本文提出了一种通过 LiDAR 点云估算边界框标签不确定性的生成模型，并定义了一种新的概率边界框表示方法，进而提出了一种基于 Jaccard IoU 的新的评价指标，该模型在 KITTI 和 Waymo Open 数据集上被证明是优于传统 IoU 的评价指标，对于概率目标检测器的评估具有高度准确性。

Mar, 2020

Lovász-Softmax 损失函数：神经网络中交并比最优化时的可行替代

该研究提出了一种基于凸形 Lovász 扩展损失的直接优化平均交并比损失的方法，并在语义图像分割的情况下应用于神经网络，证明了该方法在整个数据集上优化 Jaccard 指数时性能更好，基于该方法的语义分割管道在 PASCAL VOC 和 Cityscapes 数据集上取得了显着改善的交并比分割得分。

May, 2017

信任语义分割网络

该研究通过对不同模型进行实验，探讨了通过使用熵等简单度量方法来捕捉高召回率的错分情况，以分析语义分割中的失败案例和预测准确性的问题。

Jun, 2024

Jaccard 度量损失：通过软标签优化 Jaccard 指数

本文提出了一种称为 Jaccard metric losses（JMLs）的 IoU loss 变体，可与软标签兼容，在 Cityscapes、PASCAL VOC 和 DeepGlobe Land 三个语义分割数据集上相对于交叉熵损失有显着的改进，并且在知识蒸馏方面胜过了现有的最优方法。

Feb, 2023

符合语义图像分割：事后量化预测不确定性

我们提出了一种后续处理、计算轻量级的方法来量化语义图像分割的预测不确定性。我们的方法使用合拢预测生成统计上有效的预测集，以预定义的置信水平保证包含地面真实分割掩模。我们介绍了一种基于热图的合拢化预测的新型可视化技术，并提供了评估其实证有效性的度量标准。我们在著名的基准数据集和图像分割预测模型上展示了我们方法的有效性，并提供了实用的见解。

Apr, 2024

语义分割评估度量的再审视：精细交并比的优化与评估

通过使用细粒度 mIoUs 和相应的最坏情况指标，提供对分割技术更全面的评估，减少对大对象的偏见。我们进行了广泛的基准研究，在 12 个多样的自然和航空分割数据集上用 15 个现代神经网络使用这些指标进行训练和评估，强调了不仅仅依靠一个指标进行评估的必要性，并验证了细粒度 mIoUs 减少对大对象的偏见。此外，我们发现架构设计和损失函数在优化细粒度指标中起到关键作用，从而形成了最佳实践。

Oct, 2023