Mar, 2023

基于贝叶斯深度学习的图像感知分割

PDF
TL;DR提出了一种基于深度贝叶斯网络的探测物体可提供的作用及分布的算法，使用 Monte Carlo Dropout 优化了模型的准确度并在 Mask-RCNN 结构上做了修改，利用新的概率模型检测出语义和空间上的不同，并通过比较二进制掩码而非预测边界框的方法来评估概率分割，同时分析出照相机噪音和视觉难点导致的随机和确定性方差。
affordancesbayesian deep networkmonte carlo dropoutmask-rcnnprobabilistic instance segmentation model
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 贝叶斯深度图像先验下的医学图像去噪中的不确定性估计

    通过随机初始化卷积网络对图像进行参数化并执行梯度下降，以匹配观察结果的方法来量化反向医学成像任务中的不确定性，扩展到带有蒙特卡罗失活的贝叶斯方法，实现对预测不确定性的可靠估计，解决了大型数据集上深度神经网络出现幻觉和制品所带来的问题。

    Aug, 2020

  • 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

  • PHiSeg：医学图像分割中的不确定性捕捉

    本文提出了一种基于层次概率模型和变分自编码器框架的新方法，用于建模给定输入图像的分割的条件概率分布，可以有效地解决解剖结构和病理分割中的歧义性问题，同时可以生成比以前的方法更真实和多样化的分割样本。

    Jun, 2019

  • 视频场景理解的概率未来预测

    本文提出了一种新颖的深度学习架构，用于从视频中进行概率未来预测。该模型可以预测城市场景中的未来语义、几何和运动，并将此表示用于控制自动驾驶车辆。

    Mar, 2020

  • 用概率 U-Net 对模糊图像进行分割

    通过使用结合了 U-Net 和条件变分自编码器的生成式分割模型，我们可以有效地产生无限数量的合理假设，以学习分割的分布，该模型可在肺部和城市街景分割任务中显着优于先前的方法，对于临床决策过程中存在的歧义问题，该模型能提供多种可能性的语义分割假设进行诊断并建议需要进一步的行动。

    Jun, 2018

  • 基于贝叶斯深度卷积编码 - 解码网络的代理建模和不确定性量化

    本文提出了一种使用卷积神经网络实现的关于具有随机偏微分方程的不确定性建模的代理模型，该方法使用变分梯度下降算法对参数进行 “近似贝叶斯推断”，可以在处理不确定性时实现和其他方法相比具有最先进的预测精度和不确定性量化，即使训练数据量相对较小，也能获得非常好的性能。

    Jan, 2018