論文の概要: U-SEG: Uncertainty in SEGmentation -- A systematic multi-variable exploration

• arxiv url: http://arxiv.org/abs/2605.15421v1
• Date: Thu, 14 May 2026 21:08:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 03:45:13.1408
• Title: U-SEG: Uncertainty in SEGmentation -- A systematic multi-variable exploration
• Title（参考訳）: U-SEG: SEGmentationの不確実性 -- 体系的多変量探索
• Authors: Michael Smith, Frank P. Ferrie,
• Abstract要約: 我々は不確実性推定とセグメンテーションの交点におけるいくつかの未研究トピックについて深く検討する。 私たちは、データセット、バックボーン、下流タスクなど、多くの変数にわたる大規模な研究を実行するためのフレームワークを作成します。 汎視的セグメンテーションのより困難なタスクは、通常、パフォーマンスが悪くなりますが、データセットとバックボーン間の高いパフォーマンスのばらつきは、一般化が保証されていないことを示しています。
• 参考スコア（独自算出の注目度）: 0.8405672181165312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we explore in depth a few under-studied topics at the intersection of uncertainty estimation and segmentation. Prior work has shown that the quality of uncertainty estimates can be very sensitive to a range of variables. As one of the main uses of uncertainty estimation is to help identify and deal with prediction errors in practical scenarios, any factors that affect this must be clearly identified. For example, do more challenging domains or different datasets and architectures result in worse performance when using uncertainty estimates? Can prior frames in a video sequence in fact provide useful uncertainty estimates comparable to other approaches? Is it possible to combine uncertainty estimation approaches, taking advantage of sample diversity, to get better estimates? Finally, when might it make sense to use an ensemble-based uncertainty estimate over a deterministic network? We address these questions by creating a framework for and executing a large scale study across many variables such as datasets, backbones, and downstream tasks, for both semantic and panoptic segmentation. We find that a) the more challenging task of panoptic segmentation usually results in worse performance while high performance variance between datasets and backbones indicates that generalization is not guaranteed, b) time series samples can be useful for specific configurations, but in many cases are not worth the cost, c) sample diversity shows the most promise in the downstream task of calibration, but otherwise fails to beat simpler alternatives, d) a deterministic approach is adequate for some downstream tasks, but ensembles allow for significant improvements if the right conditions can be achieved in deployment.
• Abstract（参考訳）: 本研究では,不確実性推定とセグメンテーションの交点において,いくつかの未研究トピックについて深く検討する。 以前の研究では、不確実性推定の品質は変数の範囲に非常に敏感であることが示されている。 不確実性推定の主な用途の1つは、現実的なシナリオで予測エラーを特定し、対処することである。 例えば、より困難なドメインや異なるデータセットやアーキテクチャは、不確実性見積を使用するとパフォーマンスが悪化するのでしょうか? ビデオシーケンスの以前のフレームは、他のアプローチに匹敵する有用な不確実性推定を提供することができるだろうか? サンプルの多様性を活用して、不確実性推定アプローチを組み合わせることで、より良い見積もりを得ることが可能か? 最後に、決定論的ネットワーク上でアンサンブルに基づく不確実性推定を用いることはいつ意味があるのだろうか? これらの問題に対処するために,データセットやバックボーン,ダウンストリームタスクなど,さまざまな変数を対象とした大規模な研究を行うためのフレームワークを作成して,セマンティックなセグメンテーションとパノプティックなセグメンテーションを行う。 私たちはそれを見つける。 a) 汎視的セグメンテーションのより困難なタスクは、通常、パフォーマンスが悪くなりますが、データセットとバックボーン間の高いパフォーマンスのばらつきは、一般化が保証されていないことを示しています。 b) 時系列サンプルは,特定の構成に有用であるが,多くの場合,コストに値しない。 c) サンプルの多様性は、下流のキャリブレーションのタスクにおいて最も有望であるが、それ以外は、より単純な代替品に勝てないことを示す。 d) 下流タスクには決定論的アプローチが適しているが、適切な条件がデプロイメントで達成できれば、アンサンブルによって大幅な改善が可能になる。

関連論文リスト

• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)
• Uncertainty Estimation for Multi-view Data: The Power of Seeing the Whole Picture [5.868139834982011]
  ニューラルネットワークを現実世界のアプリケーションで信頼できるものにするためには、不確実性推定が不可欠である。 そこで本研究では,不確実性評価と領域外サンプル検出のための新しい多視点分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T04:47:51Z)
• Uncertainty-Aware Multiple Instance Learning fromLarge-Scale Long Time Series Data [20.2087807816461]
  本稿では,最も関連性の高い周期自動識別のための不確実性認識型マルチインスタンス(MIL)フレームワークを提案する。 さらに、別のモデルを訓練し、不確実性を考慮した融合を行うことにより、信頼できない予測を調整できる別のモダリティを組み込む。 実験結果から, 提案手法は, 軌道に基づく容器の形状を効果的に検出できることを示した。
  論文  参考訳（メタデータ） (2021-11-16T17:09:02Z)
• Acquisition-invariant brain MRI segmentation with informative uncertainties [3.46329153611365]
  ポストホックな多地点補正法は存在するが、現実のシナリオではしばしば成立しない強い仮定を持つ。 この研究は、セグメンテーションタスクの文脈において、獲得の物理学に堅牢になるようなアルゴリズムを実証している。 提案手法は, ホールドアウトデータセットの完全化, セグメンテーション品質の維持だけでなく, サイト固有のシーケンス選択も考慮しながら, 一般化できることを実証する。
  論文  参考訳（メタデータ） (2021-11-07T13:58:04Z)
• 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)
• 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)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。