論文の概要: ProPanDL: A Modular Architecture for Uncertainty-Aware Panoptic Segmentation

• arxiv url: http://arxiv.org/abs/2304.08645v1
• Date: Mon, 17 Apr 2023 22:31:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 16:23:04.159492
• Title: ProPanDL: A Modular Architecture for Uncertainty-Aware Panoptic Segmentation
• Title（参考訳）: ProPanDL: 不確実性を認識したパノプティブセグメンテーションのためのモジュールアーキテクチャ
• Authors: Jacob Deery, Chang Won Lee, Steven Waslander
• Abstract要約: 本稿では,不確実性を考慮したパノプティックセグメンテーションが可能なネットワークであるProPanDLを紹介する。 パラメトリック(分散ネットワーク)とパラメータフリー(サンプルネット)の両方を推定できるProPanDL変種を実装し,評価する。 以上の結果から, ProPanDLは, 高い性能を維持しつつ, 高い校正, 有意な出力分布を推定できることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce ProPanDL, a family of networks capable of uncertainty-aware panoptic segmentation. Unlike existing segmentation methods, ProPanDL is capable of estimating full probability distributions for both the semantic and spatial aspects of panoptic segmentation. We implement and evaluate ProPanDL variants capable of estimating both parametric (Variance Network) and parameter-free (SampleNet) distributions quantifying pixel-wise spatial uncertainty. We couple these approaches with two methods (Temperature Scaling and Evidential Deep Learning) for semantic uncertainty estimation. To evaluate the uncertainty-aware panoptic segmentation task, we address limitations with existing approaches by proposing new metrics that enable separate evaluation of spatial and semantic uncertainty. We additionally propose the use of the energy score, a proper scoring rule, for more robust evaluation of spatial output distributions. Using these metrics, we conduct an extensive evaluation of ProPanDL variants. Our results demonstrate that ProPanDL is capable of estimating well-calibrated and meaningful output distributions while still retaining strong performance on the base panoptic segmentation task.
• Abstract（参考訳）: 本稿では,不確実性を考慮したパノプティックセグメンテーションが可能なネットワークであるProPanDLを紹介する。 既存のセグメンテーション法とは異なり、propandlはパンオプティカルセグメンテーションの意味的側面と空間的側面の両方の完全な確率分布を推定することができる。 パラメトリック(可変ネットワーク)とパラメータフリー(サンプルネット)の両方の分布を推定できるProPanDL変種を実装し,評価する。 これらの手法を,セマンティック不確実性推定のための2つの手法(温度スケーリングとエビデンシャルディープラーニング)と組み合わせる。 不確実性を認識したパンオプティカルセグメンテーションタスクを評価するために,空間的・意味的不確かさを別々に評価する新しいメトリクスを提案することにより,既存のアプローチの限界に対処した。 さらに,空間出力分布のロバストな評価のために,適切なスコアルールであるエネルギースコアの利用を提案する。 これらの指標を用いて,ProPanDL変異体を広範囲に評価する。 以上の結果から, ProPanDLは, 高い性能を維持しつつ, 高い校正, 有意な出力分布を推定できることを示した。

関連論文リスト

• PCF-Lift: Panoptic Lifting by Probabilistic Contrastive Fusion [80.79938369319152]
  我々は,PCF(Probabilis-tic Contrastive Fusion)に基づくPCF-Liftという新しいパイプラインを設計する。 私たちのPCFリフトは、ScanNetデータセットやMessy Roomデータセット(シーンレベルのPQが4.4%改善)など、広く使用されているベンチマークにおいて、最先端の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T16:06:59Z)
• NP-SemiSeg: When Neural Processes meet Semi-Supervised Semantic Segmentation [87.50830107535533]
  半教師付きセマンティックセグメンテーションでは、トレーニング時にピクセルワイズラベルをラベル付けされていない画像に割り当てる。 モデルによるクラスワイズ確率分布から各画素の擬似ラベルを予測し,半教師付きセマンティックセマンティックセマンティクスへのアプローチ 本研究では,NPを半教師付きセマンティックセグメンテーションに適応させることにより一歩前進し,NP-SemiSegと呼ばれる新しいモデルを実現する。
  論文  参考訳（メタデータ） (2023-08-05T12:42:15Z)
• Boosting Semi-Supervised Semantic Segmentation with Probabilistic Representations [30.672426195148496]
  本稿では,表現質を向上させるための確率的表現コントラスト学習フレームワークを提案する。 確率論の新しい視点からピクセルワイズ表現を定義する。 また,表現の信頼性を高めるため,分散分散の正規化も提案する。
  論文  参考訳（メタデータ） (2022-10-26T12:47:29Z)
• Uncertainty-aware LiDAR Panoptic Segmentation [21.89063036529791]
  本稿では,LiDAR点雲を用いた不確実性を考慮したパノプティックセグメンテーションの課題を解決するための新しいアプローチを提案する。 提案するEvLPSNetネットワークは,この課題をサンプリング不要で効率的に解決する最初の方法である。 我々は、最先端のパン光学セグメンテーションネットワークとサンプリング不要不確実性推定技術を組み合わせた、いくつかの強力なベースラインを提供する。
  論文  参考訳（メタデータ） (2022-10-10T07:54:57Z)
• Uncertainty-aware Panoptic Segmentation [21.89063036529791]
  本稿では,不確実性を考慮したパノプティックセグメンテーションの課題を紹介する。 ピクセルごとのセマンティクスとインスタンスのセグメンテーションを予測し、画素ごとの不確実性を推定する。 本稿では,この課題を解決するために,トップダウンのエビデンシャル・パノプティクス・ネットワーク(EvPSNet)を提案する。
  論文  参考訳（メタデータ） (2022-06-29T12:07:21Z)
• Reinforcement Learning with a Terminator [80.34572413850186]
  我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。 我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
  論文  参考訳（メタデータ） (2022-05-30T18:40:28Z)
• Hypernet-Ensemble Learning of Segmentation Probability for Medical Image Segmentation with Ambiguous Labels [8.841870931360585]
  ディープラーニングのアプローチは、高い偏極ラベルの確率で予測を過信していることで有名です。 これは、人間のアノテーションであっても、固有のラベルのあいまいさを持つ多くのアプリケーションでは望ましくない。 実世界のシナリオにおける性能を犠牲にすることなくセグメント化確率推定を改善する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-13T14:24:53Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)
• Dive into Ambiguity: Latent Distribution Mining and Pairwise Uncertainty Estimation for Facial Expression Recognition [59.52434325897716]
  DMUE(DMUE)という,アノテーションのあいまいさを2つの視点から解決するソリューションを提案する。 前者に対しては,ラベル空間における潜伏分布をよりよく記述するために,補助的マルチブランチ学習フレームワークを導入する。 後者の場合、インスタンス間の意味的特徴のペアワイズ関係を完全に活用して、インスタンス空間のあいまいさの程度を推定する。
  論文  参考訳（メタデータ） (2021-04-01T03:21:57Z)
• Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
  IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。 IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。 IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
  論文  参考訳（メタデータ） (2021-03-02T08:20:08Z)

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。