Fugu-MT 論文翻訳(概要): A Critical Synthesis of Uncertainty Quantification and Foundation Models for Semantic Segmentation

論文の概要: A Critical Synthesis of Uncertainty Quantification and Foundation Models for Semantic Segmentation

arxiv url: http://arxiv.org/abs/2608.18709v1
Date: Wed, 19 Aug 2026 09:09:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-20 20:13:55.350224
Title: A Critical Synthesis of Uncertainty Quantification and Foundation Models 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かさ定量化と基礎モデルの臨界合成
Abstract要約: ファンデーションモデルは、前例のない精度とクロスドメインの一般化を可能にして、これまで不可能だったものを破っている。解釈可能性の欠如、過信傾向、現実世界のドメインシフトへの敏感さは、安全性とミッションクリティカルなアプリケーションにとって重要な課題である。不確実性定量化(UQ)はこれらの問題に対処する原則的な方法を提供するが、セグメンテーション基礎モデルへの統合はまだ検討されていない。
参考スコア（独自算出の注目度）: 8.144213556496569
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Foundation models are increasingly breaking what seemed to be impossible not long ago by enabling unprecedented accuracy and cross-domain generalization. Yet their lack of interpretability, tendency to be overconfident, and sensitivity to real-world domain shifts pose critical challenges for safety- and mission-critical applications. Uncertainty quantification (UQ) offers a principled way to address these issues, but its integration into segmentation foundation models has yet to be explored. In this paper we present the first systematic evaluation of UQ methods applied to a foundation model for semantic segmentation. We fine-tune a lightweight DPT decoder on top of the pretrained SAM2 encoder to establish a simple yet competitive baseline and benchmark four representative UQ approaches - Monte Carlo Dropout, Deep Sub-Ensemble, Test-Time Augmentation, and Evidential Deep Learning - across Cityscapes, NYUv2, and two challenging out-of-domain settings. Our analysis compares segmentation accuracy, calibration, uncertainty quality, and inference time, revealing clear trade-offs between predictive performance, reliability, and computational cost. These results highlight both the promise and the current limitations of uncertainty-aware foundation models, pointing to the need for future work that jointly optimizes accuracy, robustness, and efficiency for real-world deployment.
Abstract（参考訳）: ファンデーションモデルは、前例のない精度とクロスドメインの一般化を可能にすることによって、これまで不可能と思われていたものを徐々に破壊している。しかし、解釈可能性の欠如、過信傾向、現実世界のドメインシフトへの敏感さは、安全性とミッションクリティカルなアプリケーションにとって重要な課題である。不確実性定量化(UQ)はこれらの問題に対処する原則的な方法を提供するが、セグメンテーション基礎モデルへの統合はまだ検討されていない。本稿では,セマンティックセグメンテーションの基礎モデルに適用されたUQ手法の最初の体系的評価について述べる。トレーニング済みのSAM2エンコーダの上に、軽量のDPTデコーダを微調整して、シンプルで競争力のあるベースラインを確立し、UQの4つの代表的なアプローチであるMonte Carlo Dropout、Deep Sub-Ensemble、Test-Time Augmentation、Evidential Deep Learningの4つをベンチマークします。本分析では, セグメンテーション精度, 校正精度, 不確実性, 推論時間を比較し, 予測性能, 信頼性, 計算コストのトレードオフを明らかにする。これらの結果は、現実のデプロイメントにおいて正確性、堅牢性、効率性を共同で最適化する将来の作業の必要性を指摘して、不確実性を認識した基盤モデルの約束と現在の限界の両方を強調している。

関連論文リスト

Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
マルチモーダル学習は、しばしば低品質データの課題に悩まされる。コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
論文参考訳（メタデータ） (2026-05-05T14:48:52Z)
Rubric-Conditioned LLM Grading: Alignment, Uncertainty, and Robustness [4.129847064263056]
ルーブリックをベースとした短問合せ学習における大規模言語モデルの性能を体系的に評価する。二つのタスクに対してアライメントは強いが、粗い粒度が増すにつれて劣化する。実験により、モデルが注射に抵抗性がある一方で、同義置換に敏感であることが判明した。
論文参考訳（メタデータ） (2025-12-21T05:22:04Z)
Beyond Model Ranking: Predictability-Aligned Evaluation for Time Series Forecasting [18.018179328110048]
スペクトルコヒーレンスに基づく予測可能性整合診断フレームワークを提案する。予測可能性ドリフト(predictability drift, 予測可能性ドリフト)の最初の体系的な証拠として, タスクの予測困難度が時間とともに急激に変化することを示す。複雑なモデルは予測可能性の低いデータより優れているのに対し、線形モデルは予測可能なタスクに非常に効果的である。
論文参考訳（メタデータ） (2025-09-27T02:56:06Z)
RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
論文参考訳（メタデータ） (2025-07-12T01:58:04Z)
A Critical Synthesis of Uncertainty Quantification and Foundation Models in Monocular Depth Estimation [13.062551984263031]
絶対距離の予測を伴う計量深度推定は、特定の課題を提起する。我々は、現在最先端のDepthAnythingV2基盤モデルを用いて、5つの異なる不確実性定量化手法を融合する。ガウス陰性対数損失(GNLL)による微調整は特に有望なアプローチである。
論文参考訳（メタデータ） (2025-01-14T15:13:00Z)
SURE: SUrvey REcipes for building reliable and robust deep networks [12.268921703825258]
本稿では,深層ニューラルネットワークにおける不確実性推定手法を再検討し,信頼性を高めるために一連の手法を統合する。我々は,不確実性推定の有効性を示す重要なテストベッドである故障予測のベンチマークに対して,SUREを厳格に評価する。データ破損、ラベルノイズ、長い尾のクラス分布といった現実世界の課題に適用した場合、SUREは顕著な堅牢性を示し、現在の最先端の特殊手法と同等あるいは同等な結果をもたらす。
論文参考訳（メタデータ） (2024-03-01T13:58:19Z)
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)
Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文参考訳（メタデータ） (2020-12-10T23:28:36Z)
Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文参考訳（メタデータ） (2020-09-30T05:29:01Z)
Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。