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

利用元分类模型评估汽车零部件语义分割模型预测段的精度，通过剔除低质量的段，平均分割结果的 mIoU 略微提高 16 个百分点，错误预测段减少 77%。

Jan, 2024

本研究的目的是针对 DeepLabv3+ 模型在语义分割应用中的鲁棒性进行全面调查，研究结果显示性能与鲁棒性有很大关系，而有些架构属性则对鲁棒性产生了显著影响。

Aug, 2019

本文挑战了最先进的生成模型，通过对稳定扩散进行微调，在语义分割方面自动生成合成数据以评估其可靠性。通过广泛实验，我们表明合成数据与真实异常数据的表现之间存在高度相关性，从而显示了该方法的有效性。此外，我们说明了如何利用合成数据来提高分割器的校准和异常检测能力。

Dec, 2023

研究了语义分割校准的问题，提出了一种简单而有效的选择性缩放方法来校准模型，实验结果表明其在多个基准测试中具有卓越的性能。

Dec, 2022

构建一个强健的模型，能够在分布转变的情况下有效地泛化到测试样本，在医学影像领域仍然是一个重要的挑战。本研究通过对基于自然图像和文本数据进行预训练的视觉和语言基础模型进行 fine-tuning 后的鲁棒性评估，证明了基于基础模型的优越性。此外，研究还开发了一种新的冻结模型的贝叶斯不确定性估计方法，并将其用作衡量模型在超出分布数据上性能的指标，对于实际应用具有显著的益处。实验不仅揭示了在自然图像应用中常用的线上准确性和线上一致性指标的局限性，还强调了引入贝叶斯不确定性的潜力，特别是低不确定性预测通常具有更高的超出分布性能。

Nov, 2023

我们提出了一种方法，用空间变化的失真合成现有数据集，实验证明这种失真效果会降低最先进的分割模型的性能。预训练和扩展模型容量证明是缓解性能降低的有效策略，而仅在失真图像上进行微调只能带来边缘性能改进。

May, 2024

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

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

本文介绍了一种用于分析语义分割模型稳健性的新方法，并提供了一些指标以评估在各种环境条件下的分类性能。该过程还结合了另一种传感器（lidar）以自动化处理过程，消除了验证数据的手工标注需求。实验结果表明，语义分割模型的性能因天气、相机参数、阴影等因素而异，并演示了如何在改进模型后比较和验证各种网络的性能。

Oct, 2018