ECCVAug, 2020

基于概率的深度学习实例分割

PDF
TL;DR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。
probabilistic convolutional neural networksinstance segmentationmodel-inherent uncertainty estimatesactive learning frameworksguided proofreading
发现论文，激发创造
  • 星凸形状实例分割中的不确定性估计

    通过深度神经网络算法，研究了实例分割，发现现有模型常常以不可靠的信心级别进行错误的预测，因此，评估预测不确定性对于明智决策至关重要。本研究通过两种不同的聚类方法评估了与具有星凸形状实例的位置相关的空间确定性的挑战，展示了结合空间和分数的确定性分数可提供更好的校准估计，实验结果证明了深度集成技术和新颖的径向聚类方法是一种有效策略，强调了评估估计确定性的校准对模型可靠性和决策制定的重要性。

    Sep, 2023

  • Bayesian SegNet：用于场景理解的深度卷积编码器 - 解码器结构的模型不确定性

    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

  • 分布式实例分割：用潜在的 MaskRCNN 模型建模不确定性和高置信度预测

    本文提出一种基于概率分布的实例分割方法，利用潜在编码来建模物体掩膜的可能假设，从而降低机器人应用中的临界错误率。在实际服装拣选机器人上，该方法成功降低了错误率并提高了性能。

    May, 2023

  • 利用不确定性评估预测分割质量

    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

  • 深度学习全景分割中的不确定性估计

    探讨如何将集成学习不确定性估计方法应用于全景分割领域，以提高现有网络的性能并为其预测结果提供更好的不确定性度量。

    Apr, 2023

  • 基于采样的实例分割网络不确定性估计

    本文探究机器学习模型预测不确定性模拟的一种技术 Monte-Carlo Dropout 的聚类方法，并使用贝叶斯高斯混合模型来解决效率问题。同时研究了不同的 dropout rate，focal loss 和标度等技术，并将它们整合到 Mask-RCNN 模型中，以获得每个实例最准确的不确定性估计并进行图形展示。

    May, 2023

  • 多人标注的分割任务中的监督不确定性量化

    本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

    Jul, 2019

  • 通过像素级不确定性估计实现通用性医学图像分割

    本文提出一种新的基于不确定性估计的框架用于医学图像分割任务，以突出难以分类的像素，并提高深度神经网络的泛化能力。实验结果表明，该方法优于现有技术。

    May, 2023

  • 关于主动学习图像分割中的不确定度估计

    本文探讨了在数据驱动主动学习框架下，针对医学图像分割任务进行不确定性校准的方法，研究了不同的不确定性估计方法和采集策略，并证明选定区域标注可以显著减少需要人工标注的像素数量。

    Jul, 2020

  • 深度医学图像分割的置信度校准与预测不确定性估计

    本文研究了医学图像分割中全卷积神经网络的预测不确定性估计，包括使用 Dice 损失和交叉熵损失进行的分割质量和不确定性估计比较，基于批归一化和 Dice 损失的网络置信度校准及模型集成方法，以及有关医学图像分割的结构分割质量预测和检测等方面的研究。通过广泛的实验验证了这些内容，提出了用于置信度校准的实用方案，并表明模型集成可提高其置信度校准度。

    Nov, 2019