Sep, 2023

MEDL-U：基于证据深度学习的不确定性感知 3D 自动标注器

PDF
TL;DR开发基于 Evidential Deep Learning (EDL) 的不确定性估计框架的第一个方法，通过引入 MEDL-U，该框架不仅生成伪标签，而且量化相关的不确定性。实验证明，使用 MEDL-U 训练的概率性探测器在 KITTI 验证集中的所有难度级别上超过之前的 3D 注释器的确定性探测器，并在 KITTI 官方测试集上实现了最先进的结果。
deep learning-based 3d object detectionweakly supervised frameworksevidential deep learning (edl)uncertainty estimation frameworkprobabilistic detectors
发现论文，激发创造
  • 多标注下的宝藏：一种考虑不确定性的边缘检测器

    本文提出了一种基于不确定性的边缘检测器，通过学习注释之间的不确定性，使用自适应加权损失将高不确定像素的学习重点放在边缘检测上，具有在多个边缘检测基准中稳定的优越性能。

    Mar, 2023

  • 通过探索性训练解决通用病变检测任务中的不完整标注问题

    通过引入创新的探索式训练方法，结合不完整注释和预测记录来选择可靠的矿化病灶进行重新训练，我们提出的框架在两个医学图像数据集上展现了卓越的性能，超越了现有最优方法。

    Sep, 2023

  • TEDL: 一种用于分类不确定性量化的双阶段证据深度学习方法

    本文提出 TEDL Two-stage Learning 方法，基于 Dempster-Shafer 理论，用来量化深度学习模型在分类任务中的不确定性，通过实验表明，TEDL 与交叉熵相结合、替换 ReLU 为 ELU 可以提高稳定性和 AUC。

    Sep, 2022

  • EPL：证据原型学习用于半监督医学图像分割

    本研究提出了 Evidential Prototype Learning (EPL) 方法，利用扩展的概率框架有效融合来自不同来源的体素概率预测，并在广义证据框架下实现标记和未标记数据的样本融合利用，利用体素级双不确定性掩膜。该方法在 LA、胰腺 CT 和 TBAD 数据集上进行了实验，以三种不同标记比率实现了最先进的性能，充分证明了我们的策略的有效性。

    Apr, 2024

  • 面向可泛化人工智能的无标注多视角三维行人检测：技术和性能分析

    利用通用化人工智能改进无标签目标场景的多视角 3D 行人检测，通过使用未经训练的检测器的自动标注方法，可以获得比直接使用未经训练检测器或使用现有标记的源数据集训练的检测器更好的结果。在使用 WILDTRACK 和 MultiviewX 作为目标数据集时，MODA 比现有的无标签方法分别提高了 4% 和 1%。

    Aug, 2023

  • 非所有面都平等：半监督 3D 目标检测的定位不确定性估计

    用于半监督三维物体检测的侧面感知框架，通过三个关键设计（三维边界框参数化方法、不确定性估计模块和伪标签选择策略）共同工作，显式地估计每个侧面的定位质量并在训练阶段分配不同级别的重要性，实验证明这种方法能在不同场景和评估指标下始终优于基准模型。此外，我们的方法在三个具有不同标记比例的数据集上达到了最先进的性能。

    Dec, 2023

  • EDUE：基于专家意见引导的一遍式医学图像分割不确定性估计

    本研究提出了一种基于专家分歧引导的不确定性估计方法（EDUE），用于医学图像分割，通过利用多个评分者对地面事实标注的变异性，我们在训练过程中引导模型，并结合基于随机抽样的策略来增强校准置信度，我们的方法在图像和像素级别上与专家分歧相比，平均相关性分别提高了 55% 和 23%，具有更好的校准性能，并且相较于最先进的深度集合，在只需进行单次前向传递的情况下，具有具有竞争性的分割性能。

    Mar, 2024

  • 标签不完美：通过标签不确定性提高概率目标检测

    本研究利用以前方法估计地面真实边框参量的不确定性来改进激光雷达概率目标检测器的检测准确性。实验结果表明，我们的方法在平均精度方面比基线模型和基于简单启发式方法的模型提高了高达 3.6%。

    Aug, 2020

  • DuEDL：双分支证据深度学习在手绘辅助医学图像分割中的应用

    通过提出双分支证据深度学习（DuEDL）框架，该研究旨在改善使用线条标注进行医学图像分割时准确性与可靠性之间的权衡问题，并证明该方法在提高模型的可靠性和泛化能力方面表现优于现有方法。

    May, 2024

  • 标签并不完美：推断目标检测中的空间不确定性

    依据生成模型从 LiDAR 点云中推断出边界框标签的不确定性，并通过空间不确定度分布定义了概率边界框的新表示，提出了一种新的评价指标 Jaccard IoU (JIoU)，并应用于几个基于 LiDAR 的目标检测器的深入比较中，并将提出的标签不确定性结合到损失函数中，以训练概率目标检测器并提高其检测精度。

    Dec, 2020