論文の概要: Uncertainty Estimation for Safety-critical Scene Segmentation via
Fine-grained Reward Maximization
- arxiv url: http://arxiv.org/abs/2311.02719v1
- Date: Sun, 5 Nov 2023 17:43:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 16:18:16.186591
- Title: Uncertainty Estimation for Safety-critical Scene Segmentation via
Fine-grained Reward Maximization
- Title（参考訳）: 微細リワード最大化による安全クリティカルシーンセグメンテーションの不確かさ推定
- Authors: Hongzheng Yang, Cheng Chen, Yueyao Chen, Markus Scheppach, Hon Chi
Yip, Qi Dou
- Abstract要約: 不確実性推定は、安全クリティカルなシナリオにおけるディープセグメンテーションモデルの将来の信頼性の高い展開において重要な役割を果たす。
本研究では,不確実性推定に対処する新たな微粒化報酬(FGRM)フレームワークを提案する。
本手法は,不確実性推定のキャリブレーション指標のすべてに対して,最先端の手法よりも明確なマージンで優れる。
- 参考スコア（独自算出の注目度）: 12.79542334840646
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Uncertainty estimation plays an important role for future reliable deployment
of deep segmentation models in safety-critical scenarios such as medical
applications. However, existing methods for uncertainty estimation have been
limited by the lack of explicit guidance for calibrating the prediction risk
and model confidence. In this work, we propose a novel fine-grained reward
maximization (FGRM) framework, to address uncertainty estimation by directly
utilizing an uncertainty metric related reward function with a reinforcement
learning based model tuning algorithm. This would benefit the model uncertainty
estimation through direct optimization guidance for model calibration.
Specifically, our method designs a new uncertainty estimation reward function
using the calibration metric, which is maximized to fine-tune an evidential
learning pre-trained segmentation model for calibrating prediction risk.
Importantly, we innovate an effective fine-grained parameter update scheme,
which imposes fine-grained reward-weighting of each network parameter according
to the parameter importance quantified by the fisher information matrix. To the
best of our knowledge, this is the first work exploring reward optimization for
model uncertainty estimation in safety-critical vision tasks. The effectiveness
of our method is demonstrated on two large safety-critical surgical scene
segmentation datasets under two different uncertainty estimation settings. With
real-time one forward pass at inference, our method outperforms
state-of-the-art methods by a clear margin on all the calibration metrics of
uncertainty estimation, while maintaining a high task accuracy for the
segmentation results. Code is available at
\url{https://github.com/med-air/FGRM}.
- Abstract（参考訳）: 不確実性推定は、医療応用などの安全クリティカルなシナリオにおける深部セグメンテーションモデルの今後の信頼性向上に重要な役割を果たす。
しかし,既存の不確実性推定手法は,予測リスクの校正とモデル信頼度に対する明確なガイダンスの欠如によって制限されている。
本研究では,不確実性量関連報酬関数を強化学習に基づくモデルチューニングアルゴリズムで直接利用することにより,不確実性評価に対処する,新しい微粒化報酬最大化(FGRM)フレームワークを提案する。
これはモデルキャリブレーションの直接最適化ガイダンスによるモデル不確実性推定に有効である。
具体的には, 予測リスクを校正するための実証学習事前学習セグメンテーションモデルに最適化された校正指標を用いて, 新たな不確実性推定報酬関数を設計する。
さらに,fisher情報行列によって定量化されたパラメータ重要度に応じて,各ネットワークパラメータの細粒度報酬重み付けを課す効果的な細粒度パラメータ更新スキームを革新する。
我々の知る限り、安全クリティカルな視覚タスクにおけるモデル不確実性推定のための報酬最適化を探求する最初の研究である。
本手法の有効性は,2つの異なる不確実性推定条件下での安全クリティカルな手術シーンセグメンテーションデータセットを用いて検証した。
提案手法は, 不確実性推定のキャリブレーション指標すべてにおいて, 精度の高いセグメンテーション結果を維持しつつ, 実時間1回のフォワードパスで最先端手法を明確なマージンで上回っている。
コードは \url{https://github.com/med-air/FGRM} で入手できる。
関連論文リスト
- Information-Theoretic Safe Bayesian Optimization [59.758009422067005]
そこでは、未知の(安全でない)制約に反するパラメータを評価することなく、未知の関数を最適化することを目的としている。
現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。
本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
論文 参考訳（メタデータ） (2024-02-23T14:31:10Z) - Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。
我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
論文 参考訳（メタデータ） (2023-04-13T17:56:08Z) - Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。
昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。
本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-03T20:37:55Z) - Reliable Multimodal Trajectory Prediction via Error Aligned Uncertainty
Optimization [11.456242421204298]
よく校正されたモデルでは、不確実性推定はモデル誤差と完全に相関する。
本稿では,モデル誤差に整合した品質不確実性推定を導出するための,新しい誤差整合不確実性最適化手法を提案する。
本研究では, 平均変位誤差を1.69%, 4.69%, モデル誤差との不確実性相関を17.22%, 19.13%, ピアソン相関係数で定量化することにより, 平均変位誤差を1.69%, 4.69%改善することを示した。
論文 参考訳（メタデータ） (2022-12-09T12:33:26Z) - A Geometric Method for Improved Uncertainty Estimation in Real-time [13.588210692213568]
ポストホックモデルキャリブレーションは、再トレーニングを必要とせずにモデルの不確実性推定を改善することができる。
我々の研究は不確実性推定のための幾何学的アプローチを推し進めている。
提案手法は,最近提案された手法よりも不確実性評価が優れていることを示す。
論文 参考訳（メタデータ） (2022-06-23T09:18:05Z) - Learning Uncertainty For Safety-Oriented Semantic Segmentation In
Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。
相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。
本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文 参考訳（メタデータ） (2021-05-28T09:23:05Z) - Improving Deterministic Uncertainty Estimation in Deep Learning for
Classification and Regression [30.112634874443494]
単一前方通過における不確かさを推定する新しいモデルを提案する。
提案手法では,バイリプシッツ特徴抽出器とガウス過程の誘導点を組み合わせ,ロバストかつ原理的不確実性推定を行う。
論文 参考訳（メタデータ） (2021-02-22T23:29:12Z) - Improving model calibration with accuracy versus uncertainty
optimization [17.056768055368384]
適切に校正されたモデルは、その予測が確実であるときに正確であり、不正確な場合に高い不確実性を示すべきである。
精度と不確実性の関係を不確実性校正のアンカーとして活用する最適化手法を提案する。
平均場変動推定によるアプローチの実証と最先端手法との比較を行った。
論文 参考訳（メタデータ） (2020-12-14T20:19:21Z) - Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via
Higher-Order Influence Functions [121.10450359856242]
我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。
1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
論文 参考訳（メタデータ） (2020-06-29T13:36:52Z) - 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) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-02-13T15:55:32Z)
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。