语义分割中重新思考不确定性估计度量

Mar, 2024

语义分割中重新思考不确定性估计度量

Segmentation Re-thinking Uncertainty Estimation Metrics for Semantic Segmentation

Qitian Ma, Shyam Nanda Rai, Carlo Masone, Tatiana Tommasi

TL;DR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。

Abstract

In the domain of computer vision, semantic segmentation emerges as a fundamental application within machine learning, wherein individual pixels of an image are classified into distinct semantic categories. This t

computer vision semantic segmentation uncertainty quantification entropy-based reliability

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

测量人类视觉分割的不确定性

通过像素为基础的判断和模型重构，本文探讨了说同异不同判断和图像不确定性如何影响感知分割和各个特征的权重，并将其应用于自然图像和复合材料纹理的分割，以对感知理论进行定量测试和创造分割算法的新基准。

Jan, 2023

评估医学图像分割不确定性估计的可靠性和挑战

本文研究深度学习系统在医学图像分割方面的不确定性评估方法，发现现有不确定性评估方法在数据集水平表现良好但在个体水平出现偏差，因此需要开发个体化的评估方法。研究还发现辅助网络是一种有效的评估方法。

Jul, 2019

符合语义图像分割：事后量化预测不确定性

我们提出了一种后续处理、计算轻量级的方法来量化语义图像分割的预测不确定性。我们的方法使用合拢预测生成统计上有效的预测集，以预定义的置信水平保证包含地面真实分割掩模。我们介绍了一种基于热图的合拢化预测的新型可视化技术，并提供了评估其实证有效性的度量标准。我们在著名的基准数据集和图像分割预测模型上展示了我们方法的有效性，并提供了实用的见解。

Apr, 2024

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

解剖学感知的半监督图像分割的不确定性

通过利用全局信息来估计分割不确定性的一种新方法，该方法首先学习了一个解剖感知的表示，然后将新分割的预测映射为一个解剖上可信的分割，借助于与可信分割的偏差，估计底层像素级不确定性以进一步指导分割网络，该方法仅使用一次推断从我们的表示中估计不确定性，从而减少了总计算量。该解剖感知方法在心脏磁共振成像的左心房和腹部 CT 扫描的多个器官这两个公开数据集上改善了分割准确性，以两个常用的评估指标衡量。

Oct, 2023

领域自适应语义分割中通过不确定性估计纠正伪标签学习

本文提出了一种基于预测不确定性纠正伪标签学习的无监督语义分割自适应方法，通过模型输出语义分割预测和预测的不确定性，利用预测的方差建模估计不确定性，并将其纳入优化目标，从而动态地根据不同的置信度阈值纠正噪声伪标签，显著提高了在三个基准测试集上的性能。

Mar, 2020

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

PVUW2024 的半监督视频语义分割：利用不可靠的伪标签

通过采用基于不可靠伪标签的半监督视频语义分割方法，并使用教师网络模型和学生网络模型进行集成，本文在视频场景解析中取得了较高的 mIoU 分数，并在 CVPR 2024 的 Video Scene Parsing in the Wild Challenge 中获得了第一名。

Jun, 2024

基于概率的深度学习实例分割

本文提出了一种泛用方法来获得无需提议的实例分割模型内在的不确定性估计，并且评估了在 BBBC010 C. elegans 数据集上的可行性和有效性，并模拟了这些不确定性估计在指导的校对中的潜在用途。

Aug, 2020