論文の概要: Kandinsky Conformal Prediction: Efficient Calibration of Image
Segmentation Algorithms
- arxiv url: http://arxiv.org/abs/2311.11837v1
- Date: Mon, 20 Nov 2023 15:11:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-21 18:12:42.964049
- Title: Kandinsky Conformal Prediction: Efficient Calibration of Image
Segmentation Algorithms
- Title（参考訳）: Kandinsky Conformal Prediction: 画像分割アルゴリズムの効率的な校正
- Authors: Joren Brunekreef, Eric Marcus, Ray Sheombarsing, Jan-Jakob Sonke,
Jonas Teuwen
- Abstract要約: Kandinsky calibration'は、自然画像の分布に存在する空間構造を利用して、類似画素の分類器を同時に校正する。
我々は、訓練されたセグメンテーションアルゴリズムと、公開MS-COCOおよびメディカルデカトロンデータセットのサブセットの実験を行う。
- 参考スコア（独自算出の注目度）: 5.356495106991782
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image segmentation algorithms can be understood as a collection of pixel
classifiers, for which the outcomes of nearby pixels are correlated. Classifier
models can be calibrated using Inductive Conformal Prediction, but this
requires holding back a sufficiently large calibration dataset for computing
the distribution of non-conformity scores of the model's predictions. If one
only requires only marginal calibration on the image level, this calibration
set consists of all individual pixels in the images available for calibration.
However, if the goal is to attain proper calibration for each individual pixel
classifier, the calibration set consists of individual images. In a scenario
where data are scarce (such as the medical domain), it may not always be
possible to set aside sufficiently many images for this pixel-level
calibration. The method we propose, dubbed ``Kandinsky calibration'', makes use
of the spatial structure present in the distribution of natural images to
simultaneously calibrate the classifiers of ``similar'' pixels. This can be
seen as an intermediate approach between marginal (imagewise) and conditional
(pixelwise) calibration, where non-conformity scores are aggregated over
similar image regions, thereby making more efficient use of the images
available for calibration. We run experiments on segmentation algorithms
trained and calibrated on subsets of the public MS-COCO and Medical Decathlon
datasets, demonstrating that Kandinsky calibration method can significantly
improve the coverage. When compared to both pixelwise and imagewise calibration
on little data, the Kandinsky method achieves much lower coverage errors,
indicating the data efficiency of the Kandinsky calibration.
- Abstract（参考訳）: 画像分割アルゴリズムは、近傍の画素の結果が関連付けられる画素分類器の集合として理解することができる。
分類器モデルはインダクティブ・コンフォーマル・予測(Inductive Conformal Prediction)を用いてキャリブレーションできるが、モデルの予測の非整合性のスコアの分布を計算するのに十分な大きなキャリブレーション・データセットを保持する必要がある。
このキャリブレーションセットは、画像レベルの限界校正のみを必要とする場合、キャリブレーションに使用可能な画像内のすべてのピクセルで構成される。
しかし、各画素分類器の適切なキャリブレーションを達成することが目的であれば、キャリブレーションセットは個々の画像で構成される。
データが不足している場合(医療領域など)、このピクセルレベルのキャリブレーションのために十分な数の画像を設定することは必ずしも不可能である。
提案手法は「カンディンスキー校正」と呼ばれ、自然画像の分布に存在する空間構造を利用して「類似」画素の分類器を同時に校正する。
これは、非整合性スコアが類似の画像領域に集約され、キャリブレーションに利用できる画像のより効率的な利用を可能にする、境界(画像)キャリブレーションと条件(画素)キャリブレーションの中間的アプローチと見なすことができる。
我々は、公開MS-COCOおよびメディカルデカトロンデータセットのサブセットに基づいて訓練および校正されたセグメンテーションアルゴリズムの実験を行い、カンディンスキー校正法がカバー範囲を大幅に改善できることを実証した。
小さいデータでピクセル単位と画像単位の両方のキャリブレーションと比較すると、カンディンスキー法はより低いカバレッジ誤差を達成し、カンディンスキーキャリブレーションのデータ効率を示す。
関連論文リスト
- PuzzleBoard: A New Camera Calibration Pattern with Position Encoding [0.0]
チェッカーボードキャリブレーションパターンの利点と軽量位置符号化を組み合わせた新しいキャリブレーションパターンを提案する。
全体的なアプローチは、チェッカーボードのキャリブレーションパターンとチェッカーボードのキャリブレーションアルゴリズムの両方と後方互換性がある。
論文 参考訳（メタデータ） (2024-09-30T09:27:06Z) - 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) - Improved post-hoc probability calibration for out-of-domain MRI
segmentation [18.089067656236125]
よく校正された確率は、放射線学者がモデル予測セグメンテーションが信頼できない地域を特定することを可能にする。
これらの信頼できない予測は、しばしば、画像アーティファクトや見えない画像プロトコルによって引き起こされる領域外画像(OOD)に発生する。
OOD画像と向き合う場合の校正誤差を低減するために,新しい校正モデルを提案する。
論文 参考訳（メタデータ） (2022-08-04T20:13:19Z) - Hidden Heterogeneity: When to Choose Similarity-Based Calibration [12.788224825185633]
ブラックボックスキャリブレーション法は、キャリブレーションが予測精度を向上させるサブポレーションを検出することができない。
隠れ不均一性(HH)の定量的尺度を提案する。
実験により, 類似度に基づくキャリブレーション法によって達成されたキャリブレーションの改善は, 現在あるHH量と相関し, 十分なキャリブレーションデータを得た場合, 大域的なキャリブレーション法で達成したキャリブレーションを概ね上回っていることがわかった。
論文 参考訳（メタデータ） (2022-02-03T20:43:25Z) - Top-label calibration [3.3504365823045044]
マルチクラス分類におけるポストホックキャリブレーションの問題点について検討し,ヒストグラム・バイニングに着目した。
信頼度キャリブレーションという一般的な概念は十分に強くはないことが分かっています -- 意味のある方法でキャリブレーションされていないが、完全に信頼度キャリブレーションされている予測器が存在するのです。
本稿では,信頼度キャリブレーションの直感と単純さを正確に捉えつつも,その欠点に対処する,密接に関連する(微妙に異なる)概念であるトップラベルキャリブレーションを提案する。
論文 参考訳（メタデータ） (2021-07-18T03:27:50Z) - How to Calibrate Your Event Camera [58.80418612800161]
画像再構成を用いた汎用イベントカメラキャリブレーションフレームワークを提案する。
ニューラルネットワークに基づく画像再構成は,イベントカメラの内在的・外在的キャリブレーションに適していることを示す。
論文 参考訳（メタデータ） (2021-05-26T07:06:58Z) - Localized Calibration: Metrics and Recalibration [133.07044916594361]
完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。
次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
論文 参考訳（メタデータ） (2021-02-22T07:22:12Z) - Uncertainty Quantification and Deep Ensembles [79.4957965474334]
ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。
そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。
このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
論文 参考訳（メタデータ） (2020-07-17T07:32:24Z) - 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) - Multi-Class Uncertainty Calibration via Mutual Information
Maximization-based Binning [8.780958735684958]
ポストホック多クラスキャリブレーションは、ディープニューラルネットワーク予測の信頼度推定を提供する一般的なアプローチである。
近年の研究では、広く使われているスケーリング手法がキャリブレーション誤差を過小評価していることが示されている。
類似クラス間で1つのキャリブレータを共有する共有クラスワイド(sCW)キャリブレーション戦略を提案する。
論文 参考訳（メタデータ） (2020-06-23T15:31:59Z) - 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。