論文の概要: Calibrated Adversarial Refinement for Stochastic Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2006.13144v3
- Date: Wed, 4 Aug 2021 17:04:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 23:18:10.178987
- Title: Calibrated Adversarial Refinement for Stochastic Semantic Segmentation
- Title（参考訳）: 確率的セマンティクスセグメンテーションのためのキャリブレーション・アドバーサリー・リファインメント
- Authors: Elias Kassapis, Georgi Dikov, Deepak K. Gupta, Cedric Nugteren
- Abstract要約: 本稿では,各予測に関連付けられた確率が,その根拠となる真偽の正しさを反映する,セマンティックマップ上の校正された予測分布を学習するための戦略を提案する。
マルチグレーダのLIDCデータセットと、注入曖昧さのあるCityscapesデータセットに対して、最先端の成果を達成し、アプローチの汎用性と堅牢性を実証する。
本研究は,おもちゃの回帰データセットを用いて実験することにより,校正された予測分布の学習を必要とする他のタスクにコア設計を適用することができることを示す。
- 参考スコア（独自算出の注目度）: 5.849736173068868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In semantic segmentation tasks, input images can often have more than one
plausible interpretation, thus allowing for multiple valid labels. To capture
such ambiguities, recent work has explored the use of probabilistic networks
that can learn a distribution over predictions. However, these do not
necessarily represent the empirical distribution accurately. In this work, we
present a strategy for learning a calibrated predictive distribution over
semantic maps, where the probability associated with each prediction reflects
its ground truth correctness likelihood. To this end, we propose a novel
two-stage, cascaded approach for calibrated adversarial refinement: (i) a
standard segmentation network is trained with categorical cross entropy to
predict a pixelwise probability distribution over semantic classes and (ii) an
adversarially trained stochastic network is used to model the inter-pixel
correlations to refine the output of the first network into coherent samples.
Importantly, to calibrate the refinement network and prevent mode collapse, the
expectation of the samples in the second stage is matched to the probabilities
predicted in the first. We demonstrate the versatility and robustness of the
approach by achieving state-of-the-art results on the multigrader LIDC dataset
and on a modified Cityscapes dataset with injected ambiguities. In addition, we
show that the core design can be adapted to other tasks requiring learning a
calibrated predictive distribution by experimenting on a toy regression
dataset. We provide an open source implementation of our method at
https://github.com/EliasKassapis/CARSSS.
- Abstract（参考訳）: セマンティックセグメンテーションタスクでは、入力画像は複数の妥当な解釈を持ち、複数の有効なラベルが可能である。
このような曖昧さを捉えるために、近年の研究は、予測よりも分布を学習できる確率的ネットワークの利用を探求している。
しかし、これらは必ずしも経験的分布を正確に表しているわけではない。
そこで本研究では,各予測に関連付けられた確率が,その真偽の正当性を反映する,セマンティックマップ上での校正予測分布の学習戦略を提案する。
そこで本研究では, 対角補正のための2段階・ケースドアプローチを提案する。
(i)標準セグメンテーションネットワークをカテゴリークロスエントロピーで訓練し、意味クラス上の画素毎の確率分布を予測する。
(II) 対向的に訓練された確率的ネットワークを用いて画素間相関をモデル化し、第1のネットワークの出力をコヒーレントなサンプルに洗練する。
重要なことは、精製網の校正とモード崩壊防止のために、第2段階でのサンプルの期待は、第1段階で予測される確率と一致している。
マルチグレーダのLIDCデータセットと、注入曖昧さのあるCityscapesデータセットに対して、最先端の成果を達成し、アプローチの汎用性と堅牢性を実証する。
さらに,おもちゃの回帰データセットを実験することにより,調整された予測分布の学習を必要とする他のタスクにコア設計を適用することができることを示す。
我々はこのメソッドのオープンソース実装をhttps://github.com/EliasKassapis/CARSSSで公開しています。
関連論文リスト
- Probabilistic Contrastive Learning for Long-Tailed Visual Recognition [78.70453964041718]
細長い分布は、少数の少数派が限られた数のサンプルを含む実世界のデータにしばしば現れる。
近年の研究では、教師付きコントラスト学習がデータ不均衡を緩和する有望な可能性を示していることが明らかになっている。
本稿では,特徴空間の各クラスからのサンプルデータ分布を推定する確率論的コントラスト学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-11T13:44:49Z) - Domain Generalization with Small Data [27.040070085669086]
我々は,各データポイントを確率的埋め込みにマッピングすることで,確率的フレームワークに基づくドメイン不変表現を学習する。
提案手法は,分布上のテクスト分布の測定値(大域的視点アライメント)と分布に基づくコントラスト的セマンティックアライメント(コントラスト的セマンティックアライメント)を結合することができる。
論文 参考訳（メタデータ） (2024-02-09T02:59:08Z) - Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。
我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳（メタデータ） (2023-11-30T18:59:44Z) - Distribution Shift Inversion for Out-of-Distribution Prediction [57.22301285120695]
本稿では,OoD(Out-of-Distribution)予測のためのポータブル分布シフト変換アルゴリズムを提案する。
提案手法は,OoDアルゴリズムを広範囲に接続した場合に,一般的な性能向上をもたらすことを示す。
論文 参考訳（メタデータ） (2023-06-14T08:00:49Z) - End-to-End Trajectory Distribution Prediction Based on Occupancy Grid
Maps [29.67295706224478]
本稿では,実世界における移動エージェントの将来の軌跡分布を予測することを目的としている。
我々は、接地構造分布に対する明示的かつシーン順応的な近似として、占有格子マップを用いて対称的クロスエントロピーで分布を学習する。
実験では,Stanford Drone データセットとIntersection Drone データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-31T09:24:32Z) - Learning Structured Gaussians to Approximate Deep Ensembles [10.055143995729415]
本稿では,スパース構造多変量ガウシアンを用いて,高密度画像予測タスクのための閉形式近似器を提案する。
正規分布における予測の不確かさと構造的相関を、サンプリング単独で暗黙的にではなく、明示的に捉える。
単分子深度推定におけるアプローチの利点を実証し,本手法の利点が同等の定量的性能で得られることを示す。
論文 参考訳（メタデータ） (2022-03-29T12:34:43Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-09-28T17:56:41Z) - Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。
分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。
具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文 参考訳（メタデータ） (2021-07-07T15:50:18Z) - Adaptive Conformal Inference Under Distribution Shift [0.0]
本研究では,未知の方法でデータ生成分布を時間とともに変化させるオンライン環境において,予測セットを形成する手法を開発した。
我々のフレームワークは、任意のブラックボックスメソッドと組み合わせられる一般的なラッパーを提供するために、共形推論のアイデアに基づいている。
我々は,2つの実世界のデータセット上で適応型共形推論法を検証し,その予測が可視的および有意な分布シフトに対して堅牢であることを見出した。
論文 参考訳（メタデータ） (2021-06-01T01:37:32Z) - Simpler Certified Radius Maximization by Propagating Covariances [39.851641822878996]
Cifar-10、ImageNet、Places365などのデータセットの認定半径を最大化するアルゴリズムを示します。
これらの基準を満たすことで、データセットの認定半径を適度な深さで最大化し、全体の精度を小さくするアルゴリズムが得られることを示す。
論文 参考訳（メタデータ） (2021-04-13T01:38:36Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。