Feb, 2024

随机平滑法中的自适应分层认证用于分割

PDF
TL;DR本文提出了一种新颖、更通用和实用的自适应分层认证方法用于图像语义分割，该方法在由细粒度到粗粒度级别组成的多级分层标签空间中进行认证，同时引入了一种基于认证信息增益度量的评估策略，并且通过实验证明相比于当前最先进的认证方法及其非自适应版本，该自适应算法能够实现更高的认证信息增益并且更低的弃权率。
adaptive hierarchical certificationimage semantic segmentationcertified information gain metricclass granularity levelabstain rate
发现论文，激发创造
  • 随机平滑的可扩展认证分割

    提出了一种基于随机平滑的图像和点云分割的新认证方法，利用多重测试机制确保统计保证，并能够对单一像素或点进行分类性弃权，实现对整个输入的鲁棒分割，实验证明算法在真实世界的分割任务中具有具有竞争力的精度和认证保证。

    Jul, 2021

  • 集体鲁棒认证的本地随机平滑

    本文提出了一种基于新型局部化随机平滑方法的更普遍的模型合集鲁棒性认证方法，并在图像分割和节点分类任务上得到更高的准确性和更强的认证。

    Oct, 2022

  • 通过扩散模型实现更好的认证分割

    本文介绍了一种结合随机平滑和扩散模型的方法，用于认证图像分割预测结果，实现更高的鲁棒性。实验结果表明，该方法平均提高了 21 个百分点的准确度

    Jun, 2023

  • 基于一致的图像分割进行层次语义分类的学习

    层次化语义分类需要预测一个层次结构树而不是单个层级的树，通过训练分类器来实现不同层级的准确性和一致性，同时结合图像分割以提高一致性和准确性，并引入树路径 KL 散度损失以强制实现跨层级的一致准确预测和预测层次结构树的准确性。

    Jun, 2024

  • 医学图像分割深度学习模型认证

    基于随机平滑和扩散模型的医学图像分割基线，通过多项公共数据集的实验证明其能够在高度扰动的图像中保持高准确性。

    Oct, 2023

  • CAST：自适应段标记的并发识别和分割

    通过无监督学习，本研究提出了一种基于像素、分割区域和完整图像级别同时学习的分层图像识别方法，通过引入自适应段落令牌和图池化来实现多尺度分割，同时提高识别精度和计算效率。

    Oct, 2022

  • 层次化的选择性分类

    部署深度神经网络用于风险敏感任务需要一个不确定性估计机制。本文介绍了分层选择分类，将选择分类扩展到分层环境中。我们的方法利用类别关系的固有结构，使模型在面临不确定性时减少其预测的特异性。本文首先形式化了分层风险和覆盖，并介绍了分层风险覆盖曲线。接下来，我们开发了针对分层选择分类的算法（也称为 “推理规则”），并提出了一种能够以高概率保证目标准确性约束的高效算法。最后，我们对一千多个 ImageNet 分类器进行了大量的实证研究，揭示了诸如 CLIP、ImageNet21k 预训练和知识蒸馏等训练制度提升了分层选择性能。

    May, 2024

  • 多分辨率分层共聚类技术在带有微小变化序列的语义分割中的应用

    该论文提出了一种基于层次结构的协同聚类技术，可以对图像集合进行多分辨率表示。通过线性规划松弛方法解决二次半分配问题，从而实现了对节点的聚类。该技术在视频分割算法中取得了最佳的实时结果。

    Oct, 2015

  • 深层次语义分割

    本文提出了一种用于分层语义分割的新架构 HSSN，它可将现有的分割网络有效地应用于分层语义分割，通过像素嵌入和类别层次结构来实现像素级多标签分类和更好的分割。

    Mar, 2022

  • 医学图像中高效的子类分割

    文章中提出了一种新的方法来实现医学影像的细粒度子类分割，通过利用任务驱动的数据生成方法、先验拼接模块以及分层混合模型等技术手段，使模型在有限的子类注释数据和充分的高层次注释数据下实现与仅采用子类注释数据相近的结果。

    Jul, 2023