論文の概要: Deep Deterministic Uncertainty for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2111.00079v1
• Date: Fri, 29 Oct 2021 20:45:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 13:58:10.617983
• Title: Deep Deterministic Uncertainty for Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションにおける深い決定論的不確かさ
• Authors: Jishnu Mukhoti, Joost van Amersfoort, Philip H.S. Torr, Yarin Gal
• Abstract要約: 我々は、Deep Deterministic Uncertainity (DDU) をセマンティックセグメンテーションに拡張する。 DDU は MC Dropout と Deep Ensembles を高速化し,計算速度は大幅に向上した。
• 参考スコア（独自算出の注目度）: 97.89295891304394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We extend Deep Deterministic Uncertainty (DDU), a method for uncertainty estimation using feature space densities, to semantic segmentation. DDU enables quantifying and disentangling epistemic and aleatoric uncertainty in a single forward pass through the model. We study the similarity of feature representations of pixels at different locations for the same class and conclude that it is feasible to apply DDU location independently, which leads to a significant reduction in memory consumption compared to pixel dependent DDU. Using the DeepLab-v3+ architecture on Pascal VOC 2012, we show that DDU improves upon MC Dropout and Deep Ensembles while being significantly faster to compute.
• Abstract（参考訳）: 特徴空間密度を用いた不確実性推定手法であるDeep Deterministic Uncertainity (DDU) をセマンティックセグメンテーションに拡張する。 DDUは、モデルを通る1つの前方通過において、てんかんと動脈の不確実性の定量化と解離を可能にする。 同一クラスにおける異なる場所における画素の特徴表現の類似性を検討した結果,ddu位置を独立して適用することは可能であり,画素依存型dduと比較してメモリ消費が大幅に減少することがわかった。 Pascal VOC 2012のDeepLab-v3+アーキテクチャを使って、DDUはMC DropoutとDeep Ensemblesで改善され、計算が大幅に高速であることを示す。

関連論文リスト

• Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
  本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。 提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
  論文  参考訳（メタデータ） (2023-03-31T16:01:03Z)
• DDP: Diffusion Model for Dense Visual Prediction [71.55770562024782]
  本研究では,条件付き拡散パイプラインに基づく高密度視覚予測のための,シンプルで効率的かつ強力なフレームワークを提案する。 DDPと呼ばれるこの手法は、デノナイジング拡散過程を現代の知覚パイプラインに効率的に拡張する。 DDPは、従来の単段階識別法とは対照的に、動的推論や不確実性認識などの魅力的な特性を示す。
  論文  参考訳（メタデータ） (2023-03-30T17:26:50Z)
• DPVIm: Differentially Private Variational Inference Improved [13.761202518891329]
  多次元統計学の微分プライベート(DP)リリースは、一般的に集合感度を考える。 そのベクトルの次元は様々であり、従ってDP摂動は次元をまたいだ信号に不均等に影響を及ぼす。 変分推論(VI)に用いた場合、DP-SGDアルゴリズムの勾配解法でこの問題を観測する(VI)。
  論文  参考訳（メタデータ） (2022-10-28T07:41:32Z)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)
• RA-Depth: Resolution Adaptive Self-Supervised Monocular Depth Estimation [27.679479140943503]
  本研究では,シーン深さのスケール不変性を学習し,自己教師付き単眼深度推定法(RA-Depth)を提案する。 RA-Depthは最先端の性能を達成し、解像度適応の優れた能力を示す。
  論文  参考訳（メタデータ） (2022-07-25T08:49:59Z)
• KERPLE: Kernelized Relative Positional Embedding for Length Extrapolation [72.71398034617607]
  KERPLEは、位置差のカーネル化によって外挿のための相対的な位置埋め込みを一般化するフレームワークである。 CPDカーネルの多様性により、原則的に長さ外挿を可能にする様々な RPE を導出できる。
  論文  参考訳（メタデータ） (2022-05-20T01:25:57Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Memory-based Deep Reinforcement Learning for POMDP [7.137228786549488]
  長期記憶に基づく双発遅延深度決定政策グラデーション(LSTM-TD3) その結果, 部分観測可能なMDPに対処する上で, メモリコンポーネントの顕著な利点が示された。
  論文  参考訳（メタデータ） (2021-02-24T15:25:13Z)
• Unsupervised Discretization by Two-dimensional MDL-based Histogram [0.0]
  教師なしの離散化は多くの知識発見タスクにおいて重要なステップである。 本稿では,2次元データのより柔軟な分割を可能にする表現型モデルクラスを提案する。 本稿では,各次元を交互に分割し,隣接する領域をマージするPALMというアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-02T19:19:49Z)

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。