論文の概要: Segmentation Re-thinking Uncertainty Estimation Metrics for Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2403.19826v1
- Date: Thu, 28 Mar 2024 20:34:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-01 17:13:56.532319
- Title: Segmentation Re-thinking Uncertainty Estimation Metrics for Semantic Segmentation
- Title（参考訳）: セマンティックセグメンテーションのための不確実性推定基準の再検討
- Authors: Qitian Ma, Shyam Nanda Rai, Carlo Masone, Tatiana Tommasi,
- Abstract要約: セマンティックセグメンテーションは機械学習の基本的な応用である。
画像セグメンテーションタスクにおけるエントロピーに基づく不確実性を評価するための特殊なツールとしてPAvPU(パッチ精度対パッチ不確実性)が開発された。
本研究は,PAvPUフレームワークの中核となる3つの欠陥を同定し,ロバストな解を提案する。
- 参考スコア（独自算出の注目度）: 12.532289778772185
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the domain of computer vision, semantic segmentation emerges as a fundamental application within machine learning, wherein individual pixels of an image are classified into distinct semantic categories. This task transcends traditional accuracy metrics by incorporating uncertainty quantification, a critical measure for assessing the reliability of each segmentation prediction. Such quantification is instrumental in facilitating informed decision-making, particularly in applications where precision is paramount. Within this nuanced framework, the metric known as PAvPU (Patch Accuracy versus Patch Uncertainty) has been developed as a specialized tool for evaluating entropy-based uncertainty in image segmentation tasks. However, our investigation identifies three core deficiencies within the PAvPU framework and proposes robust solutions aimed at refining the metric. By addressing these issues, we aim to enhance the reliability and applicability of uncertainty quantification, especially in scenarios that demand high levels of safety and accuracy, thus contributing to the advancement of semantic segmentation methodologies in critical applications.
- Abstract（参考訳）: コンピュータビジョンの領域では、セマンティックセグメンテーションは機械学習の基本的な応用として現れ、画像の個々のピクセルは異なるセマンティックカテゴリに分類される。
このタスクは、各セグメンテーション予測の信頼性を評価する重要な尺度である不確実な定量化を組み込むことで、従来の精度メトリクスを超越する。
このような定量化は、特に精度が最重要であるアプリケーションにおいて、情報的な意思決定を促進するのに有効である。
画像セグメンテーションタスクにおけるエントロピーに基づく不確実性を評価するための特別なツールとして,PAvPU(パッチ精度対パッチ不確実性)と呼ばれる手法が開発された。
しかし,本研究では,PAvPUフレームワークの中核となる3つの欠陥を同定し,その改善を目的とした堅牢な解法を提案する。
これらの課題に対処することで、特に高い安全性と精度を要求されるシナリオにおいて、不確実性定量化の信頼性と適用性を高め、重要なアプリケーションにおけるセマンティックセグメンテーション手法の進歩に寄与することを目指している。
関連論文リスト
- A Review of Bayesian Uncertainty Quantification in Deep Probabilistic Image Segmentation [0.0]
画像セグメンテーションの進歩は、ディープラーニングベースのコンピュータビジョンの広い範囲において重要な役割を果たす。
この文脈において不確かさの定量化が広く研究され、モデル無知(認識の不確実性)やデータ曖昧さ(アラート的不確実性)を表現し、不正な意思決定を防ぐことができる。
この研究は、分野の進歩を左右する不確実性の基本概念と様々なタスクへの応用について議論することで、確率的セグメンテーションの包括的概要を提供する。
論文 参考訳（メタデータ） (2024-11-25T13:26:09Z) - Progressive Feature Self-reinforcement for Weakly Supervised Semantic
Segmentation [55.69128107473125]
Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。
我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。
そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
論文 参考訳（メタデータ） (2023-12-14T13:21:52Z) - Benchmarking Scalable Epistemic Uncertainty Quantification in Organ
Segmentation [7.313010190714819]
モデル予測に関連する不確実性の定量化は 重要な臨床応用に不可欠です
自動臓器分割のためのディープラーニングに基づく手法は,診断と治療計画を支援する上で有望であることを示す。
医用画像解析設定においてどの方法が好ましいかは不明確である。
論文 参考訳（メタデータ） (2023-08-15T00:09:33Z) - Uncertainty Estimation by Fisher Information-based Evidential Deep
Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。
漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。
特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文 参考訳（メタデータ） (2023-03-03T16:12:59Z) - 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) - Uncertainty-aware Panoptic Segmentation [21.89063036529791]
本稿では,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紹介する。
ピクセルごとのセマンティクスとインスタンスのセグメンテーションを予測し、画素ごとの不確実性を推定する。
本稿では,この課題を解決するために,トップダウンのエビデンシャル・パノプティクス・ネットワーク(EvPSNet)を提案する。
論文 参考訳（メタデータ） (2022-06-29T12:07:21Z) - Metrics reloaded: Recommendations for image analysis validation [59.60445111432934]
メトリクスのリロード(Metrics Reloaded)は、メトリクスの問題を意識した選択において研究者を導く包括的なフレームワークである。
このフレームワークは多段階のDelphiプロセスで開発され、問題指紋という新しい概念に基づいている。
問題指紋に基づいて、ユーザは適切なバリデーションメトリクスを選択して適用するプロセスを通じてガイドされる。
論文 参考訳（メタデータ） (2022-06-03T15:56:51Z) - CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。
本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。
私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
論文 参考訳（メタデータ） (2021-10-04T17:59:31Z) - 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) - 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) - 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。