論文の概要: Uncertainty evaluation of segmentation models for Earth observation

• arxiv url: http://arxiv.org/abs/2510.19586v1
• Date: Wed, 22 Oct 2025 13:39:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.834607
• Title: Uncertainty evaluation of segmentation models for Earth observation
• Title（参考訳）: 地球観測のためのセグメンテーションモデルの不確実性評価
• Authors: Melanie Rey, Andriy Mnih, Maxim Neumann, Matt Overlan, Drew Purves,
• Abstract要約: 本稿では,衛星画像からのセマンティックセグメンテーション予測における不確実性を推定する手法について検討する。 本評価は,不確実性対策の実用性,予測誤差の識別能力,及びノイズ破損した入力画像領域の検証に焦点をあてる。
• 参考スコア（独自算出の注目度）: 4.350621291554061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates methods for estimating uncertainty in semantic segmentation predictions derived from satellite imagery. Estimating uncertainty for segmentation presents unique challenges compared to standard image classification, requiring scalable methods producing per-pixel estimates. While most research on this topic has focused on scene understanding or medical imaging, this work benchmarks existing methods specifically for remote sensing and Earth observation applications. Our evaluation focuses on the practical utility of uncertainty measures, testing their ability to identify prediction errors and noise-corrupted input image regions. Experiments are conducted on two remote sensing datasets, PASTIS and ForTy, selected for their differences in scale, geographic coverage, and label confidence. We perform an extensive evaluation featuring several models, such as Stochastic Segmentation Networks and ensembles, in combination with a number of neural architectures and uncertainty metrics. We make a number of practical recommendations based on our findings.
• Abstract（参考訳）: 本稿では,衛星画像からのセマンティックセグメンテーション予測における不確実性を推定する手法について検討する。 セグメンテーションの不確実性を推定することは、標準画像分類と比較してユニークな課題を示し、ピクセル当たりの見積もりを生成するスケーラブルな方法を必要とする。 このトピックに関するほとんどの研究はシーン理解や医用画像に焦点を当てているが、この研究はリモートセンシングや地球観測のための既存の手法をベンチマークする。 本評価は,不確実性対策の実用性,予測誤差の識別能力,およびノイズ破損した入力画像領域の検証に焦点をあてる。 PASTISとForTyの2つのリモートセンシングデータセットを用いて実験を行った。 我々は、確率的セグメンテーションネットワークやアンサンブルなど、いくつかのモデルと多くのニューラルネットワークと不確実性メトリクスを組み合わせた広範な評価を行う。 本研究の成果に基づき, 実践的な推奨事項を多数作成する。

関連論文リスト

• A Meaningful Perturbation Metric for Evaluating Explainability Methods [55.09730499143998]
  本稿では,画像生成モデルを用いて標的摂動を行う新しい手法を提案する。 具体的には,画像の忠実さを保ちながら,入力画像の高関連画素のみを塗布し,モデルの予測を変更することに焦点を当てる。 これは、しばしばアウト・オブ・ディストリビューションの修正を生み出し、信頼できない結果をもたらす既存のアプローチとは対照的である。
  論文  参考訳（メタデータ） (2025-04-09T11:46:41Z)
• A Dataset for Semantic Segmentation in the Presence of Unknowns [49.795683850385956]
  既存のデータセットは、既知のものや未知のもののみの評価を可能にするが、両方ではない。 乱雑な実環境からの多様な異常な入力を特徴とする,新しい異常セグメンテーションデータセットISSUを提案する。 データセットは、既存の異常セグメンテーションデータセットの2倍大きい。
  論文  参考訳（メタデータ） (2025-03-28T10:31:01Z)
• PaRCE: Probabilistic and Reconstruction-based Competency Estimation for CNN-based Image Classification [0.10923877073891446]
  確率的・再構成型能力推定法(PaRCE)を開発した。 本手法は, 異常領域を有するOODサンプルを正しく分類し, 誤分類し, 識別するのが最適であることがわかった。 本手法は,認識モデル信頼度という全体論的概念を最も確実に捉えた解釈可能なスコアを生成する。
  論文  参考訳（メタデータ） (2024-11-22T22:08:57Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Uncertainty Estimation in Instance Segmentation with Star-convex Shapes [4.197316670989004]
  ディープニューラルネットワークベースのアルゴリズムは、しばしば不確実な信頼レベルを持つ誤った予測を示す。 本研究は,星形インスタンスの位置で空間的確実性を推定することの課題に対処する。 本研究は、個別の確実性スコアに対する分数的確実性推定を組み合わせることが効果的な戦略であることを示す。
  論文  参考訳（メタデータ） (2023-09-19T10:49:33Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• 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)
• 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。