Dec, 2022

使用混合随机专家建模分割中的多模态混沌不确定性

HTML
PDF
TL;DR该研究提出一种基于 MoSE 模型的分割不确定性计算方法，利用多个专家网络对图像进行不确定性判别，同时提出一种新颖的 Wasserstein-like 损失函数，可对模型进行有效训练和优化。研究表明，在 LIDC-IDRI 数据集和多模态 Cityscapes 数据集上，该方法表现出优越的性能。
发现论文，激发创造
  • 贝叶斯深度学习在计算机视觉中需要哪些不确定性？

    本研究探讨了在计算机视觉任务中, 使用贝叶斯深度学习模型对本质和表观不确定性进行建模的影响， 并提出了一种新的深度学习框架，将输入相关的本质不确定性与表观不确定性相结合。 我们还提出了一种新的损失函数，可解释为学习的衰减，将其应用于像素级语义分割和深度回归任务中，使得模型更加鲁棒并取得新的最先进的结果。

    Mar, 2017

  • 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

  • 评估可扩展的贝叶斯深度学习方法在稳健计算机视觉中的应用

    该论文提出了一种深度学习可扩展的确定性和不确定性评估框架，并对两种最先进的可扩展方法进行了比较，即集成和MC-dropout，结果表明集成方法提供更可靠和实用的不确定性估计。

    Jun, 2019

  • 随机分割网络：建模空间相关的不确定性

    本文提出随机分割网络（SSNs），是一种机率方法，针对任何图像分割网络架构实现建模不确定性。SSNs通过对数it空间中的低秩多元正态分布对标签地图的概率进行建模，以生成一个空间一致的概率分布。在医学数据分割中，SSNs表现出更好的表现.

    Jun, 2020

  • 基于概率的深度学习实例分割

    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

  • 使用归一化流提高多注释医学图像分割中的不确定性度量

    使用正则化流(NFs)的方法来模型化分割模型中的不确定性，相较于严格使用高斯密度模型，可以让模型更具表现力，有效提高单标注和多标注分割数据集的分割性能，并明确提出了更灵活的密度模型应该在该领域内被认真考虑。

    Aug, 2021

  • 语义分割的可靠性：我们是否走在正确的轨道上？

    在计算机视觉中，轻量级模型通常通过使用transformers，提高模型的性能，本文探讨如何通过四项指标(强度、校准、描述和区外检测)来提高模型的可靠性。

    Mar, 2023

  • 医学影像中确定性不确定性量化的潜密度分割模型的研究与改进

    通过在医学图像分割中鼓励一个均匀的潜在空间，可以显著提高潜在密度建模的效果。

    Jul, 2023

  • ValUES: 语义分割中不确定性估计系统验证的框架

    在这项研究中，我们将当前研究中不确定性方法的三个关键问题与缺乏系统和全面的评估方法相联系，并提出了一种评估框架，通过提供1）用于研究数据模糊性和分布变化的受控环境，2）对相关方法组件进行系统性切割，以及3）用于五种主要的不确定性应用（OoD检测，主动学习，故障检测，校准和歧义建模）的测试基准，来弥补研究差距。对于模拟数据和真实世界数据的实证结果表明，所提出的框架能够回答该领域的主要问题，揭示了例如：1）不确定性类型的分离在模拟数据上是有效的，但不一定适用于真实数据，2）分数的聚合是不确定性方法中重要但目前被忽视的组件，3）尽管集成模型在不同下游任务和设置中表现最为稳健，但测试时间增强常常作为一种轻量级的替代方法。

    Jan, 2024

  • 鸟瞰视野语义分割的不确定性量化：方法与基准

    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