論文の概要: Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based
Constraints
- arxiv url: http://arxiv.org/abs/2401.14487v1
- Date: Thu, 25 Jan 2024 19:46:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-29 16:49:38.707395
- Title: Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based
Constraints
- Title(参考訳): ペナルティに基づく制約付きセグメンテーションネットワークの隣りの校正
- Authors: Balamurali Murugesan, Sukesh Adiga Vasudeva, Bingyuan Liu, Herv\'e
Lombaert, Ismail Ben Ayed, Jose Dolz
- Abstract要約: 本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。
我々のアプローチは、広範囲のディープセグメンテーションネットワークのトレーニングに利用できる。
- 参考スコア(独自算出の注目度): 19.897181782914437
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ensuring reliable confidence scores from deep neural networks is of paramount
significance in critical decision-making systems, particularly in real-world
domains such as healthcare. Recent literature on calibrating deep segmentation
networks has resulted in substantial progress. Nevertheless, these approaches
are strongly inspired by the advancements in classification tasks, and thus
their uncertainty is usually modeled by leveraging the information of
individual pixels, disregarding the local structure of the object of interest.
Indeed, only the recent Spatially Varying Label Smoothing (SVLS) approach
considers pixel spatial relationships across classes, by softening the pixel
label assignments with a discrete spatial Gaussian kernel. In this work, we
first present a constrained optimization perspective of SVLS and demonstrate
that it enforces an implicit constraint on soft class proportions of
surrounding pixels. Furthermore, our analysis shows that SVLS lacks a mechanism
to balance the contribution of the constraint with the primary objective,
potentially hindering the optimization process. Based on these observations, we
propose NACL (Neighbor Aware CaLibration), a principled and simple solution
based on equality constraints on the logit values, which enables to control
explicitly both the enforced constraint and the weight of the penalty, offering
more flexibility. Comprehensive experiments on a wide variety of well-known
segmentation benchmarks demonstrate the superior calibration performance of the
proposed approach, without affecting its discriminative power. Furthermore,
ablation studies empirically show the model agnostic nature of our approach,
which can be used to train a wide span of deep segmentation networks.
- Abstract(参考訳): ディープニューラルネットワークによる信頼性の高い信頼性スコアの確保は、重要な意思決定システム、特にヘルスケアのような現実世界の領域において重要な意味を持つ。
深部セグメンテーションネットワークの校正に関する最近の研究は、大きな進歩をもたらした。
しかしながら、これらのアプローチは分類タスクの進歩に強く影響を受けており、その不確実性は通常、興味の対象の局所構造を無視して個々のピクセルの情報を活用することによってモデル化される。
実際、最近のSpatially Varying Label Smoothing (SVLS) アプローチのみが、離散空間ガウスカーネルでピクセルラベル割り当てを軟化することにより、クラス間のピクセル空間関係を考察している。
本研究では,SVLSの制約付き最適化の視点をまず提示し,周辺画素のソフトクラス比に暗黙の制約を課すことを示した。
さらに,本解析の結果から,svlsには制約の寄与と目的のバランスをとるメカニズムが欠如しており,最適化プロセスに支障をきたす可能性がある。
これらの結果に基づき,ロジット値の等式制約に基づく原理的かつ簡単な解法であるnacl(neighbor aware calibration)を提案し,強制制約とペナルティの重みを明示的に制御し,より柔軟性を提供する。
広く知られているセグメンテーションベンチマークに関する包括的な実験は、その判別能力に影響を与えることなく、提案手法の優れたキャリブレーション性能を示している。
さらに、アブレーション研究は、幅広いディープセグメンテーションネットワークのトレーニングに使用できる、我々のアプローチのモデル非依存な性質を実証的に示しています。
関連論文リスト
- Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳(メタデータ) (2024-01-17T09:01:29Z) - Shapley Values-enabled Progressive Pseudo Bag Augmentation for Whole Slide Image Classification [6.705260410604528]
計算病理学において、全スライディング画像(WSI)分類は、そのギガピクセル解像度と限定された細かいアノテーションのため、非常に難しい課題である。
MIL(Multiple-instance Learning)は、弱教師付きソリューションを提供するが、バッグレベルのラベルからインスタンスレベルの情報を精査することは依然として困難である。
協調ゲーム理論に触発された新たなアプローチとして,各インスタンスの寄与度を評価するためにShapley値を用いることにより,IIS推定を改善する。
論文 参考訳(メタデータ) (2023-12-09T07:35:09Z) - Achieving Constraints in Neural Networks: A Stochastic Augmented
Lagrangian Approach [49.1574468325115]
DNN(Deep Neural Networks)の正規化は、一般化性の向上とオーバーフィッティングの防止に不可欠である。
制約付き最適化問題としてトレーニングプロセスのフレーミングによるDNN正規化に対する新しいアプローチを提案する。
我々はAugmented Lagrangian (SAL) 法を用いて、より柔軟で効率的な正規化機構を実現する。
論文 参考訳(メタデータ) (2023-10-25T13:55:35Z) - Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。
現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。
疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
論文 参考訳(メタデータ) (2023-10-19T12:59:55Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳(メタデータ) (2023-08-18T13:13:09Z) - Trust your neighbours: Penalty-based constraints for model calibration [19.437451462590108]
SVLSの制約付き最適化の観点を示し、周辺画素のソフトクラス比に暗黙の制約を課すことを示した。
本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。
論文 参考訳(メタデータ) (2023-03-11T01:10:26Z) - 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) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。
この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。
本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-06-08T04:09:13Z) - Unsupervised learning of disentangled representations in deep restricted
kernel machines with orthogonality constraints [15.296955630621566]
Constr-DRKMは、非教師なしデータ表現の学習のためのディープカーネル手法である。
本研究では,不整合特徴学習における提案手法の有効性を定量的に評価する。
論文 参考訳(メタデータ) (2020-11-25T11:40:10Z)
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。