这篇论文介绍了一种用于预测不确定性量化的基准测试方法，通过评估不同方法在三个流行数据集上对于识别被错分和不适当类别像素、以及校准的有效性，发现证据深度学习方法在高效量化不确定性方面表现最有潜力，提出了适用于高度不平衡数据的 Uncertainty-Focal-Cross-Entropy (UFCE) 损失函数，以及增强模型对高不确定性像素关注的缺空缩放规则项能够提高确定性不确定性量化。

May, 2024

本文提出了一种泛用方法来获得无需提议的实例分割模型内在的不确定性估计，并且评估了在 BBBC010 C. elegans 数据集上的可行性和有效性，并模拟了这些不确定性估计在指导的校对中的潜在用途。

Aug, 2020

本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出：产生空间不确定性映射，以便临床医生可以观察系统何时以及为何错误，以及量化图像级别的失败预测，并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量，可以适应任何基于深度学习的医学分割管道。

Jul, 2018

该研究提出了一种语义分割网络，能够在单次前向传递中生成高质量的不确定性估计。通过基于掩膜图像建模（MIM）方法，我们利用基础模型和无标签数据的通用表示来解决增强超参数问题，使得方法更简洁。为了解决在安全关键应用中因训练数据中的偏差而导致的错误问题，我们在多个测试领域上对该方法进行了测试，并且在包括城市、乡村和越野驾驶领域的 SAX 分割基准数据集上，该方法始终优于不确定性估计和超出分布技术。

Feb, 2024

本文介绍了一个用于评估医学图像分割中失败检测方法的综合基准框架，通过分析我们确定了当前失败检测度量的优点和局限性，并推崇风险覆盖分析作为一种整体评估方法，通过在包含五个公开的三维医学图像集合的综合数据集上评估各种失败检测策略的有效性，我们发现像素置信度聚合的重要性，并且观察到在医学图像分割中，集合预测之间的成对 Dice 分数（Roy 等人，2019）表现优秀，将其定位为简单而稳健的失败检测基准。为了促进持续的研究，我们将基准框架提供给社区使用。

Jun, 2024

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

本文提出一种基于不确定性信息和重新合成图像之间的差异信息相结合的像素级异常检测框架，旨在提高语义分割领域关键的自动驾驶系统的鲁棒性和性能表现。

Mar, 2021

提出一种用于概率像素级语义分割的深度学习框架 ——Bayesian SegNet，可以在测试时间执行带有丢弃的蒙特卡罗采样，以生成像素类标签的后验分布，从而改善小数据集的语义分割性能，提高 2-3% 的性能。

Nov, 2015

基于未标记数据的 Gamma-SSL 方法通过选择性强制一致性来进行不确定性估计，用于在自动驾驶环境中检测语义分割模型的错误。在具有挑战性的分类基准上，该方法在 ROC 曲线下面积和 PR 曲线下面积方面的表现超过了不确定性估计和离群分布技术。

Feb, 2024

本研究通过深度学习方法对自动器官分割进行了评估，比较了不同方法在准确性、不确定性校准性和可扩展性等方面的强弱点，为可靠、稳健的模型开发提供了有价值的建议。

Aug, 2023