基于图神经网络的语义分割不确定性和预测质量估计

Sep, 2024

基于图神经网络的语义分割不确定性和预测质量估计

Uncertainty and Prediction Quality Estimation for Semantic Segmentation via Graph Neural Networks

Edgar Heinert, Stephan Tilgner, Timo Palm, Matthias Rottmann

TL;DR本研究解决了在安全关键应用中，深度神经网络的性能估计问题，尤其是在语义分割领域。作者提出了一种新颖的方法，利用图神经网络建模预测段落的质量及其邻近段落之间的关系，从而提升不确定性与预测质量的估计效果。研究表明，该方法相比传统方法在性能上有显著提升，具有重要的实际应用潜力。

Abstract

When employing deep neural networks (DNNs) for Semantic Segmentation in safety-critical applications like automotive perception or medical imaging, it is important to estimate their performance at runtime, e.g. via Unce

发现论文，激发创造

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

评估可扩展的贝叶斯深度学习方法在稳健计算机视觉中的应用

该论文提出了一种深度学习可扩展的确定性和不确定性评估框架，并对两种最先进的可扩展方法进行了比较，即集成和MC-dropout，结果表明集成方法提供更可靠和实用的不确定性估计。

Jun, 2019

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

DUDES：利用集合的深度不确定性蒸馏进行语义分割

本研究介绍了一种新方法Deep Uncertainty Distillation using Ensembles for Segmentation(DUDES)，它能够高效地进行深度神经网络的预测不确定性估计，而不会牺牲性能，以解决自动驾驶、医学图像和机器视觉应用中模型可靠性不足的问题。

Mar, 2023

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

医学图像分割网络的层次化不确定性估计

建立可信赖的图像分割模型既需要评估其性能又需要估计模型预测的不确定性。本研究提出了一种利用多层不确定性模块估计图像分割的简单有效方法，并证明了采用此方法实现的深度学习分割网络能够同时实现高分割性能和有意义的不确定性图，可用于识别分布之外的数据。

Aug, 2023

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

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

通过未标记数据的不确定性估计缓解语义分割中的分布偏移

基于未标记数据的Gamma-SSL方法通过选择性强制一致性来进行不确定性估计，用于在自动驾驶环境中检测语义分割模型的错误。在具有挑战性的分类基准上，该方法在ROC曲线下面积和PR曲线下面积方面的表现超过了不确定性估计和离群分布技术。

Feb, 2024

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