Fugu-MT 論文翻訳(概要): Uncertainty and Prediction Quality Estimation for Semantic Segmentation via Graph Neural Networks

論文の概要: Uncertainty and Prediction Quality Estimation for Semantic Segmentation via Graph Neural Networks

arxiv url: http://arxiv.org/abs/2409.11373v1
Date: Tue, 17 Sep 2024 17:20:21 GMT
ステータス: 処理完了
システム内更新日: 2024-09-18 15:25:38.500055
Title: Uncertainty and Prediction Quality Estimation for Semantic Segmentation via Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークによるセマンティックセグメンテーションの不確かさと予測品質の推定
Authors: Edgar Heinert, Stephan Tilgner, Timo Palm, Matthias Rottmann,
Abstract要約: グラフニューラルネットワーク(GNN)を用いて、あるセグメントの品質との関係を、あるセグメントのメトリクスの関数としてモデル化する。異なるGNNアーキテクチャを比較し、顕著なパフォーマンス改善を実現しています。
参考スコア（独自算出の注目度）: 4.299840769087443
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: When employing deep neural networks (DNNs) for semantic segmentation in safety-critical applications like automotive perception or medical imaging, it is important to estimate their performance at runtime, e.g. via uncertainty estimates or prediction quality estimates. Previous works mostly performed uncertainty estimation on pixel-level. In a line of research, a connected-component-wise (segment-wise) perspective was taken, approaching uncertainty estimation on an object-level by performing so-called meta classification and regression to estimate uncertainty and prediction quality, respectively. In those works, each predicted segment is considered individually to estimate its uncertainty or prediction quality. However, the neighboring segments may provide additional hints on whether a given predicted segment is of high quality, which we study in the present work. On the basis of uncertainty indicating metrics on segment-level, we use graph neural networks (GNNs) to model the relationship of a given segment's quality as a function of the given segment's metrics as well as those of its neighboring segments. We compare different GNN architectures and achieve a notable performance improvement.
Abstract（参考訳）: 自動車認識や医用画像などの安全クリティカル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にディープニューラルネットワーク(DNN)を使用する場合、不確実性推定や予測品質推定などを通じて、実行時にパフォーマンスを見積もることが重要です。以前の研究では、主に画素レベルの不確実性評価が行われた。本研究では,いわゆるメタ分類と回帰を用いてオブジェクトレベルでの不確かさを推定し,それぞれ不確かさと予測品質を推定する。これらの研究において、予測セグメントは、その不確実性や予測品質を個別に推定する。しかし、隣接するセグメントは、与えられた予測セグメントが高品質であるかどうかに関する追加のヒントを与え、本研究で研究する。セグメントレベルのメトリクスを示す不確実性に基づいて、グラフニューラルネットワーク(GNN)を用いて、各セグメントのメトリクスと近隣セグメントのメトリクスの関係をモデル化する。異なるGNNアーキテクチャを比較し、顕著なパフォーマンス改善を実現しています。

関連論文リスト

CUQ-GNN: Committee-based Graph Uncertainty Quantification using Posterior Networks [21.602569813024]
本研究では,予測不確実性の有意な定義がグラフデータに与える影響について検討する。コミットに基づく不確実性量子化グラフニューラルネットワーク(CUQ-GNN)のファミリーを提案する。
論文参考訳（メタデータ） (2024-09-06T09:43:09Z)
Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文参考訳（メタデータ） (2024-03-11T21:54:52Z)
NP-SemiSeg: When Neural Processes meet Semi-Supervised Semantic Segmentation [87.50830107535533]
半教師付きセマンティックセグメンテーションでは、トレーニング時にピクセルワイズラベルをラベル付けされていない画像に割り当てる。モデルによるクラスワイズ確率分布から各画素の擬似ラベルを予測し,半教師付きセマンティックセマンティックセマンティクスへのアプローチ本研究では,NPを半教師付きセマンティックセグメンテーションに適応させることにより一歩前進し,NP-SemiSegと呼ばれる新しいモデルを実現する。
論文参考訳（メタデータ） (2023-08-05T12:42:15Z)
Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文参考訳（メタデータ） (2023-05-23T21:38:23Z)
Pixel-wise Gradient Uncertainty for Convolutional Neural Networks applied to Out-of-Distribution Segmentation [0.43512163406552007]
本稿では,推定時に効率よく計算できる画素単位の損失勾配から不確実点を求める手法を提案する。本実験は,提案手法が誤った画素分類を識別し,無視可能な計算オーバーヘッドで予測品質を推定する能力を示す。
論文参考訳（メタデータ） (2023-03-13T08:37:59Z)
NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文参考訳（メタデータ） (2022-02-07T12:30:45Z)
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文参考訳（メタデータ） (2021-10-17T08:49:33Z)
Uncertainty Quantification in Medical Image Segmentation with Multi-decoder U-Net [3.961279440272763]
医用画像のセグメンテーションの不確かさを,教師付き学習方式で複数のアノテーションを用いたセグメンテーション性能の測定により評価する。複数のデコーダを持つU-Netアーキテクチャを提案し、画像表現を同じエンコーダで符号化し、各アノテーションを参照するセグメンテーションを複数のデコーダで推定する。提案アーキテクチャはエンドツーエンドでトレーニングされ、予測の不確実性推定を改善することができる。
論文参考訳（メタデータ） (2021-09-15T01:46:29Z)
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)
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)
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。