鲁棒语义分割 UNCV2023 挑战结果

ICCVSep, 2023

The Robust Semantic Segmentation UNCV2023 Challenge Results

Xuanlong Yu, Yi Zuo, Zitao Wang, Xiaowen Zhang, Jiaxuan Zhao...

TL;DR该论文总结了在 ICCV 2023 举行的 MUAD 不确定性量化挑战中采用的获胜解决方案，重点关注城市环境中的语义分割，特别关注自然对抗情景。报告呈现了 19 个提交条目的结果，许多技术借鉴了近几年在计算机视觉和机器学习领域的重要会议和期刊中介绍的前沿不确定性量化方法。在文中介绍了挑战的目的和目标，主要集中在增强城市场景下语义分割在不同的自然对抗条件下的鲁棒性。报告还深入探讨了表现最好的解决方案，并旨在全面概述所有参与者采用的不同解决方案，以便为读者提供更深入的洞察力，了解在自动驾驶和语义分割中与城市环境中固有不确定性处理相关的各种策略。

Abstract

This paper outlines the winning solutions employed in addressing the MUAD uncertainty quantification challenge held at ICCV 2023. The challenge was centered around semantic segmentation in urban environments, wit

muad uncertainty quantification challenge semantic segmentation urban environments natural adversarial scenarios cutting-edge uncertainty quantification methodologies

发现论文，激发创造

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

QUBIQ：生物医学图像分割挑战中的不确定性量化

医学图像分割中的不确定性，尤其是来自不同专家的解释和注释差异所导致的评分者之间的变异性，对于实现一致可靠的图像分割存在重大挑战。本文总结了 Quantification of Uncertainties in Biomedical Image Quantification Challenge (QUBIQ) 的基准结果，重点关注医学图像分割中评分者变异性的不确定性量化，并考虑了图像数据集中普遍存在的这种不确定性。结果表明整合模型的重要性以及发展高效的三维不确定性量化方法的进一步研究的需求。

Mar, 2024

多人标注的分割任务中的监督不确定性量化

本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

Jul, 2019

语义分割的不确定性估计：提供改善自动机动车理赔处理的可靠性

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

语义分割中重新思考不确定性估计度量

计算机视觉领域中，语义分割是机器学习中的一个基础应用，其中图像的每个像素被分类为不同的语义类别，并通过不确定性量化来评估每个分割预测的可靠性。本研究针对基于熵的图像分割任务中的不确定性进行专门评估的度量标准 PAvPU (Patch Accuracy versus Patch Uncertainty) 存在的三个核心问题进行了调查，并提出了旨在改进该度量标准的强大解决方案。通过解决这些问题，我们旨在提高不确定性量化的可靠性和适用性，尤其在需要高水平安全性和准确性的场景中，为关键应用中的语义分割方法的进步做出贡献。

Mar, 2024

有限训练数据的语义分割

介绍了在混乱场景中进行机器人感知的方法，在 Amazon 机器人挑战赛中获得胜利。作者提出了两种策略：一种是基于深度度量学习的方法，另一种是基于全监督语义分割方法的方法，并在数据集上进行了全面分析。两种方法都有良好效果，值得进一步研究。

Sep, 2017

基于不确定性的语义分割对抗攻击检测

本研究提出基于不确定性的语义分割对抗攻击检测方法，不需修改模型或了解对抗样本生成过程，通过熵等指标区分干净和攻击图片，在多种对抗攻击类型下检测效果良好。

May, 2023

CVPR 2024 UG2+ 挑战赛全天候语义分割赛道解决方案

我们提出了适应恶劣天气条件下的语义分割解决方案，该解决方案通过与大规模联合数据集的预训练权重初始化 InternImage-H 骨干网络，并使用最先进的 Upernet 分割方法对其进行增强，利用离线和在线数据增强方法扩展训练集以进一步提高分割器的性能，在测试集上展示出卓越的表现，并在这一挑战赛中获得第三名。

Jun, 2024

联合语义分割与单目深度估计的高效多任务不确定性

通过结合不同的不确定性量化方法与联合语义分割和单眼深度估计，我们评估它们相对于彼此的性能，同时揭示了多任务学习在不确定性质量方面相对于分别解决两个任务的优势。基于这些认识，我们引入了 EMUFormer，这是一种新颖的学生 - 教师蒸馏方法，用于联合语义分割和单眼深度估计以及高效的多任务不确定性量化，它通过隐式利用教师的预测不确定性，在 Cityscapes 和 NYUv2 上取得了新的最先进结果，并且对于两个任务都估计了与 Deep Ensemble 相当或更优的高质量预测不确定性，尽管其效率是 Deep Ensemble 的一个数量级。

Feb, 2024

语义分割的深度确定性不确定性

本文提出将 Deep Deterministic Uncertainty 扩展至语义分割领域，其能够量化和分离模型的认识不确定性和随机不确定性，同时提出将 DDU 独立于像素位置进行应用，以此减少内存消耗，最后在 Pascal VOC 2012 数据集上使用 DeepLab-v3+ 神经网络结构能够有效提升模型性能与运算速度。

Oct, 2021