信任语义分割网络
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
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
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
本文介绍了一个用于评估医学图像分割中失败检测方法的综合基准框架,通过分析我们确定了当前失败检测度量的优点和局限性,并推崇风险覆盖分析作为一种整体评估方法,通过在包含五个公开的三维医学图像集合的综合数据集上评估各种失败检测策略的有效性,我们发现像素置信度聚合的重要性,并且观察到在医学图像分割中,集合预测之间的成对 Dice 分数(Roy 等人,2019)表现优秀,将其定位为简单而稳健的失败检测基准。为了促进持续的研究,我们将基准框架提供给社区使用。
Jun, 2024
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
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
本文研究了自动图像分类中的故障检测,通过对 6 个医学影像数据集的测试发现,现有的置信度评分方法无法准确检测分类模型的测试失败,建议今后加强研究,提高故障检测的准确性。
May, 2022
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