論文の概要: Uncertainty estimates for semantic segmentation: providing enhanced
reliability for automated motor claims handling
- arxiv url: http://arxiv.org/abs/2401.09245v1
- Date: Wed, 17 Jan 2024 14:47:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 15:36:13.986112
- Title: Uncertainty estimates for semantic segmentation: providing enhanced
reliability for automated motor claims handling
- Title（参考訳）: セマンティックセグメンテーションの不確実性推定:自動クレーム処理における信頼性の向上
- Authors: Jan K\"uchler (1), Daniel Kr\"oll (1), Sebastian Schoenen (1), Andreas
Witte (1) ((1) ControlExpert GmbH, Langenfeld, Germany)
- Abstract要約: 本研究では,車体部品のセマンティックセグメンテーションのために訓練されたモデルにより予測されたセグメントの精度を評価するためのメタ分類モデルについて検討する。
低品質セグメントを除去することにより、セグメンテーション出力の平均mIoUを16ポイント改善し、誤予測セグメント数を77%削減する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural network models for image segmentation can be a powerful tool for
the automation of motor claims handling processes in the insurance industry. A
crucial aspect is the reliability of the model outputs when facing adverse
conditions, such as low quality photos taken by claimants to document damages.
We explore the use of a meta-classification model to assess the precision of
segments predicted by a model trained for the semantic segmentation of car body
parts. Different sets of features correlated with the quality of a segment are
compared, and an AUROC score of 0.915 is achieved for distinguishing between
high- and low-quality segments. By removing low-quality segments, the average
mIoU of the segmentation output is improved by 16 percentage points and the
number of wrongly predicted segments is reduced by 77%.
- Abstract（参考訳）: イメージセグメンテーションのためのディープニューラルネットワークモデルは、保険業界におけるモータークレーム処理プロセスを自動化する強力なツールとなり得る。
重要な側面は、請求人が損傷を文書化するために撮影した低画質の写真など、悪条件に直面した際のモデル出力の信頼性である。
自動車部品のセマンティックセグメンテーションのために訓練されたモデルにより予測されたセグメントの精度を評価するため,メタ分類モデルを用いて検討する。
セグメントの品質に相関する特徴の異なるセットを比較し,高品質セグメントと低品質セグメントを区別するためのAUROCスコア0.915を達成した。
低品質セグメントを除去することにより、セグメンテーション出力の平均miouを16パーセンテージ改善し、誤った予測セグメント数を77%削減する。
関連論文リスト
- Towards Ground-truth-free Evaluation of Any Segmentation in Medical Images [22.36128130052757]
本研究では,Segment Anything Model (SAM) が生成するセグメンテーションの質と,医療画像におけるその変種を評価するために,ゼロトラストフリー評価モデルを構築した。
この評価モデルは、入力画像と対応するセグメンテーション予測との一貫性と一貫性を解析することにより、セグメンテーション品質スコアを推定する。
論文 参考訳（メタデータ） (2024-09-23T10:12:08Z) - Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。
これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。
提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
論文 参考訳（メタデータ） (2024-09-04T16:47:16Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳（メタデータ） (2023-06-16T16:30:39Z) - A quality assurance framework for real-time monitoring of deep learning
segmentation models in radiotherapy [3.5752677591512487]
この研究は、品質保証フレームワークを確立するために、心臓のサブ構造セグメンテーションを例として用いている。
心電図(CT)画像と241例の心電図を用いたベンチマークデータセットを収集した。
訓練されたDenoising Autoencoder(DAE)と2つの手動特徴を利用して画像領域シフト検出器を開発した。
Dice similarity coefficient (DSC) を用いて患者ごとのセグメンテーション精度を予測するための回帰モデルを構築した。
論文 参考訳（メタデータ） (2023-05-19T14:51:05Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Deep Quality Estimation: Creating Surrogate Models for Human Quality
Ratings [6.645279583701951]
複雑な多クラスセグメンテーション問題,特にBraTSアノテーションプロトコルに従ってグリオーマセグメンテーションを評価する。
トレーニングデータは、コンピュータ生成および手動の3Dアノテーションのために、1から6つの星のスケールで15人の神経放射線学者による品質評価を特徴としている。
誤差の範囲内でのセグメンテーションの質を、人間のレータ内信頼性に匹敵する程度に近似することができる。
論文 参考訳（メタデータ） (2022-05-17T10:32:27Z) - A Decoupled Uncertainty Model for MRI Segmentation Quality Estimation [4.104181348044472]
タスクと異なるk空間アーティファクトに関連する不確実性のソースを分離する新しいCNNアーキテクチャを提案する。
課題の観点から,我々の不確実性予測はMRIの画質をよりよく推定できることを示す。
論文 参考訳（メタデータ） (2021-09-06T12:54:44Z) - FSNet: A Failure Detection Framework for Semantic Segmentation [9.453250122818808]
画素レベルの誤分類を識別するための故障検出フレームワークを提案する。
セグメンテーションモデルの内部機能を利用して、障害検出ネットワークで同時にトレーニングする。
我々は,最先端手法に対する提案手法の評価を行い,12.30%,9.46%,9.65%の性能改善を実現した。
論文 参考訳（メタデータ） (2021-08-19T15:26:52Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳（メタデータ） (2020-08-06T15:02:38Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z)
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。