論文の概要: Local Temperature Scaling for Probability Calibration

• arxiv url: http://arxiv.org/abs/2008.05105v2
• Date: Tue, 27 Jul 2021 10:30:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 05:22:47.136861
• Title: Local Temperature Scaling for Probability Calibration
• Title（参考訳）: 確率キャリブレーションのための局所温度スケーリング
• Authors: Zhipeng Ding, Xu Han, Peirong Liu, Marc Niethammer
• Abstract要約: 本稿では,セマンティックセグメンテーションに着目した学習に基づくキャリブレーション手法を提案する。 具体的には、確率校正のための局所的な温度値を予測するために畳み込みニューラルネットワークを採用する。 COCO、CamVid、LPBA40データセットの実験では、さまざまなメトリクスのキャリブレーション性能が改善された。
• 参考スコア（独自算出の注目度）: 22.069749881109992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For semantic segmentation, label probabilities are often uncalibrated as they are typically only the by-product of a segmentation task. Intersection over Union (IoU) and Dice score are often used as criteria for segmentation success, while metrics related to label probabilities are not often explored. However, probability calibration approaches have been studied, which match probability outputs with experimentally observed errors. These approaches mainly focus on classification tasks, but not on semantic segmentation. Thus, we propose a learning-based calibration method that focuses on multi-label semantic segmentation. Specifically, we adopt a convolutional neural network to predict local temperature values for probability calibration. One advantage of our approach is that it does not change prediction accuracy, hence allowing for calibration as a post-processing step. Experiments on the COCO, CamVid, and LPBA40 datasets demonstrate improved calibration performance for a range of different metrics. We also demonstrate the good performance of our method for multi-atlas brain segmentation from magnetic resonance images.
• Abstract（参考訳）: 意味的なセグメンテーションでは、ラベルの確率は、通常セグメンテーションタスクの副産物であるため、しばしば説明されない。 iou(intersection over union)とdiceスコア(dice score)はしばしばセグメンテーション成功の基準として用いられるが、ラベルの確率に関する指標はしばしば検討されていない。 しかし、確率校正法は、確率出力と実験的に観測された誤差とを一致させる。 これらのアプローチは主に分類タスクにフォーカスするが、意味的セグメンテーションにはフォーカスしない。 そこで本研究では,マルチラベルセマンティクスセグメンテーションに着目した学習に基づく校正手法を提案する。 具体的には,畳み込みニューラルネットワークを用いて,確率校正のための局所温度値を予測する。 このアプローチの利点の1つは、予測精度が変化しないため、後処理のステップとしてキャリブレーションが可能であることである。 COCO、CamVid、LPBA40データセットの実験では、さまざまなメトリクスのキャリブレーション性能が改善された。 また,磁気共鳴画像を用いたマルチアトラス脳分割法の性能評価を行った。

関連論文リスト

• SoftCVI: Contrastive variational inference with self-generated soft labels [2.5398014196797614]
  変分推論とマルコフ連鎖モンテカルロ法がこのタスクの主要なツールである。 ソフトコントラスト変動推論(SoftCVI)を導入し、コントラスト推定フレームワークを用いて変動対象のファミリーを導出する。 我々は、SoftCVIを用いて、訓練や大量発見に安定な目標を定式化することができ、他の変分アプローチよりも頻繁に優れた推論が可能であることを発見した。
  論文  参考訳（メタデータ） (2024-07-22T14:54:12Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• Model Calibration in Dense Classification with Adaptive Label Perturbation [44.62722402349157]
  既存の密接な二分分類モデルは、過信される傾向がある。 本稿では,各トレーニング画像に対する独自のラベル摂動レベルを学習する適応ラベル摂動(ASLP)を提案する。 ASLPは、分布内および分布外の両方のデータに基づいて、密度の高い二分分類モデルの校正度を著しく改善することができる。
  論文  参考訳（メタデータ） (2023-07-25T14:40:11Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• Heatmap Regression for Lesion Detection using Pointwise Annotations [3.6513059119482145]
  本稿では,点ラベルのみに依存する病変検出手法を提案する。 熱マップ回帰を用いてトレーニングした本モデルでは, 確率論的手法により, 種々の病変を検出できる。 Gad病変検出実験の結果,高額なセグメンテーションラベルのトレーニングと比較し,ポイントベース法と競合する結果が得られた。
  論文  参考訳（メタデータ） (2022-08-11T17:26:09Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)

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。