我们提出了一种测量语义分割模型对各个类别的置信度校准质量的度量标准,并使用该标准评估不平衡类别的不确定性估计方法的置信度校准情况。此外,我们还建议该方法可以自动发现标签问题,改善手工或自动注释数据集的质量。
Aug, 2023
研究了三种模型族的六种语义分析模型在两个英文语义分析数据集上的校准特征。基于三个模型的置信分数,提出并发布了两个数据集的新挑战分割。通过模拟注释器交互实验,证明了使用模型置信度可以帮助平衡专注任务的语义分析模型在可用性和安全性之间的权衡。提出了一个平衡了可用性和安全性的 DidYouMean 系统,并呼吁将校准包括在语义分析系统的评估中,并发布了一个计算校准度量的库。
Nov, 2022
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
本文提出了一种基于区域的语义分割框架,该框架可以处理全监督和弱监督,并通过优化多类损失函数的方法,解决多个尺度区域的重叠、类别不平衡以及类别竞争等问题,实验结果在 SIFT Flow 数据集上表明,在完全监督和弱监督设置下,都能够超过现有技术水平。
Jul, 2015
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
该研究提出了一种通过使用概率网络来学习预测分布,以实现语义地图上的校准预测分布的策略,并使用对抗性训练来精炼输出,并在多分类 LIDC 数据集和注入模糊性的 Cityscapes 数据集上取得最先进结果。
Jun, 2020
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
提出了一种新的方法来测量并校准物体检测方法的偏置(或机器不准确)置信度估计,使用附加信息可以在图像位置和框比例方面获得校准的信心估计,并提出了一种新的度量方法来评估物体检测器的不准确性。
Apr, 2020
本文提出了一种基于上下文的选择性标签平滑方法(CASLS),以解决训练过程中的过度拟合问题以及置信度校准问题,通过利用顺序数据中的上下文依赖性来构造混淆矩阵,并使用类特定错误率来调整平滑强度的权重,从而实现自适应校准。在场景文本识别和语音识别等序列识别任务上的实验结果表明,本文所提出的方法可以实现最先进的性能。
本文讨论了使用现代神经网络进行多目标检测的方法,并考虑了该检测方法的不确定性。作者提出了一些对象定位的精度检测方法,并研究了对检测误差的影响。该文章还讨论了空间不确定性的问题,并介绍了一些校准方法。最后,作者结合以往方法,展示了在车辆自动驾驶等场景中实现定位校准的应用。
Feb, 2023