論文の概要: Uncertainty Estimation in Instance Segmentation with Star-convex Shapes
- arxiv url: http://arxiv.org/abs/2309.10513v1
- Date: Tue, 19 Sep 2023 10:49:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 15:05:28.855106
- Title: Uncertainty Estimation in Instance Segmentation with Star-convex Shapes
- Title（参考訳）: 星凸形状をもつインスタンスセグメンテーションの不確かさ推定
- Authors: Qasim M. K. Siddiqui, Sebastian Starke and Peter Steinbach
- Abstract要約: ディープニューラルネットワークベースのアルゴリズムは、しばしば不確実な信頼レベルを持つ誤った予測を示す。
本研究は,星形インスタンスの位置で空間的確実性を推定することの課題に対処する。
本研究は、個別の確実性スコアに対する分数的確実性推定を組み合わせることが効果的な戦略であることを示す。
- 参考スコア（独自算出の注目度）: 4.197316670989004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Instance segmentation has witnessed promising advancements through deep
neural network-based algorithms. However, these models often exhibit incorrect
predictions with unwarranted confidence levels. Consequently, evaluating
prediction uncertainty becomes critical for informed decision-making. Existing
methods primarily focus on quantifying uncertainty in classification or
regression tasks, lacking emphasis on instance segmentation. Our research
addresses the challenge of estimating spatial certainty associated with the
location of instances with star-convex shapes. Two distinct clustering
approaches are evaluated which compute spatial and fractional certainty per
instance employing samples by the Monte-Carlo Dropout or Deep Ensemble
technique. Our study demonstrates that combining spatial and fractional
certainty scores yields improved calibrated estimation over individual
certainty scores. Notably, our experimental results show that the Deep Ensemble
technique alongside our novel radial clustering approach proves to be an
effective strategy. Our findings emphasize the significance of evaluating the
calibration of estimated certainties for model reliability and decision-making.
- Abstract（参考訳）: インスタンスセグメンテーションは、ディープニューラルネットワークベースのアルゴリズムによる有望な進歩を目撃している。
しかし、これらのモデルはしばしば不当な予測と不当な信頼レベルを示す。
これにより、情報意思決定において予測不確実性を評価することが重要となる。
既存の手法は主に分類や回帰タスクの不確実性の定量化に重点を置いており、インスタンスセグメンテーションに重点を置いていない。
本研究は,恒星対流形状のインスタンスの位置に関連する空間的確実性の推定に関する課題に対処する。
モンテカルロドロップアウト法またはディープアンサンブル法を用いて,各インスタンスの空間的および分数的確信度を計算する2つのクラスタリング手法を評価した。
本研究は,空間的および分数的確実性スコアの組み合わせにより,個々の確実性スコアよりもキャリブレーション推定が向上することを示す。
特に実験結果から,新しい放射状クラスタリング手法と併用したDeep Ensemble手法が有効であることが示された。
本研究は,モデル信頼性と意思決定における推定確信のキャリブレーションを評価することの重要性を強調する。
関連論文リスト
- Towards Calibrated Deep Clustering Network [60.71776081164377]
ディープクラスタリングでは、特定のクラスタに属するサンプルに対する推定信頼度はその実際の予測精度を大きく上回る。
推定された信頼度と実際の精度を効果的にキャリブレーションできる新しいデュアルヘッド(キャリブレーションヘッドとクラスタリングヘッド)深層クラスタリングモデルを提案する。
大規模実験により, 提案手法は, 最先端の深層クラスタリング手法を10倍に越えるだけでなく, クラスタリング精度も大幅に向上した。
論文 参考訳（メタデータ） (2024-03-04T11:23:40Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳（メタデータ） (2022-11-11T19:34:17Z) - Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
不確実性は時系列予測タスクに不可欠な考慮事項である。
本研究では,交通予測の不確かさの定量化に焦点をあてる。
STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
論文 参考訳（メタデータ） (2022-08-11T15:21:53Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Adversarial Attack for Uncertainty Estimation: Identifying Critical
Regions in Neural Networks [0.0]
本稿では,ニューラルネットワークにおける決定境界付近のデータポイントをキャプチャする手法を提案する。
不確実性推定は、モデルのパラメータに摂動を与える以前の研究とは異なり、入力摂動から導かれる。
提案手法は,他の手法よりも優れた性能を示し,機械学習におけるモデル不確実性を捉えるリスクが低いことを示した。
論文 参考訳（メタデータ） (2021-07-15T21:30:26Z) - Gradient-Based Quantification of Epistemic Uncertainty for Deep Object
Detectors [8.029049649310213]
本稿では,新しい勾配に基づく不確実性指標を導入し,異なる物体検出アーキテクチャについて検討する。
実験では、真の肯定的/偽の正の判別と、結合上の交叉の予測において顕著な改善が示された。
また,モンテカルロのドロップアウト不確実性指標に対する改善や,さまざまな不確実性指標のソースを集約することで,さらなる大幅な向上が期待できる。
論文 参考訳（メタデータ） (2021-07-09T16:04:11Z) - Uncertainty quantification for distributed regression [2.28438857884398]
平均推定器の不確かさを定量化する完全データ駆動手法を提案する。
すなわち、所定の決定論的予測セットに基づいて、平均推定器によって得られる予測に対して、同時的要素単位の信頼バンドを構築する。
また,本解析の副産物として,分割・分散型カーネルリッジ回帰に対するsup-norm整合性結果を得る。
論文 参考訳（メタデータ） (2021-05-24T17:33:19Z) - The Aleatoric Uncertainty Estimation Using a Separate Formulation with
Virtual Residuals [51.71066839337174]
既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。
本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。
提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
論文 参考訳（メタデータ） (2020-11-03T12:11:27Z) - Probabilistic Deep Learning for Instance Segmentation [9.62543698736491]
提案手法は,提案不要なインスタンスセグメンテーションモデルにおけるモデル独立不確実性推定値を得るための汎用的な手法である。
本手法は,BBBC010 C. elegansデータセットを用いて評価し,競合性能を示す。
論文 参考訳（メタデータ） (2020-08-24T19:51:48Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z) - Pitfalls of In-Domain Uncertainty Estimation and Ensembling in Deep
Learning [70.72363097550483]
本研究では,画像分類における領域内不確実性に着目した。
そこで本研究では,ディープアンサンブル等価スコア(DEE)を導入する。
論文 参考訳（メタデータ） (2020-02-15T23:28:19Z)
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。