Jan, 2024

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

PDF
TL;DR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%。
deep neural network modelsimage segmentationmotor claims handling processesadverse conditionsmeta-classification model
发现论文，激发创造
  • 信任语义分割网络

    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

  • 基于不确定性的 MRI 分割的人工智能

    通过结合贝叶斯神经网络和注意机制，我们提出了一种不确定性感知的 MRI 数据分割模型 BA U-Net，用于高精度且可解释的病理自动筛查的关键首步，我们在公开可用的 BraTS 2020 数据集上使用 F1 分数和交并比（IoU）作为评价指标进行了模型评估。

    Nov, 2023

  • 利用不确定性评估预测分割质量

    本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出：产生空间不确定性映射，以便临床医生可以观察系统何时以及为何错误，以及量化图像级别的失败预测，并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量，可以适应任何基于深度学习的医学分割管道。

    Jul, 2018

  • 语义分割的可靠性：我们是否走在正确的轨道上？

    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

  • 评估基于深度学习模型使用不确定性分数进行前列腺癌分割的性能

    比较深度学习方法在 MRI 图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于 U-Net 的架构，通过 Monte-Carlo 丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为 Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到 76.3%，Dice 相似系数（DSC）达到 85%。此外，Attention R2U-Net 在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

    Aug, 2023

  • 自动化评估自动驾驶语义分割鲁棒性

    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

  • 通过任意模型评估语义分割数据的标签质量和误差

    研究了用于自动检测语义分割数据集中标注错误的算法，其中应用了 7 种不同的质量评分方法，最有效的方法是使用准确率和召回率的模型预测概率的软最小值来识别标注错误的图像。

    Jul, 2023

  • 分割质量实时预测

    通过深度学习模型建立 DSC （Dice Similarity Coefficients） 预测模型，用于评估心血管 MR 图像的分割质量；同时提出一种无标记数据的反向测试策略，预测 DSC 并进行二元分类判别心血管 MR 图像分割的质量，实现实时分割方法的筛选为可分析图像，最大限度提高图像分析结果的优化。

    Jun, 2018

  • 对语义分割模型鲁棒性的基准测试

    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

  • 黑血 MRI 中颈动脉壁分割的基于不确定性的质量保证

    应用深度学习模型于大规模数据集需要自动质量保证的方法，本文研究了不确定性在模型预测中的应用，并发现不确定性度量可以作为错误检测和自动质量保证的代理，并为大规模数据集提供了自动质量保证工具。

    Aug, 2023