論文の概要: The Impact of CutMix on Reliability and Robustness in Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2608.18715v1
• Date: Wed, 19 Aug 2026 09:16:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.361283
• Title: The Impact of CutMix on Reliability and Robustness in Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションの信頼性とロバスト性に及ぼすカットミクスの影響
• Abstract要約: セマンティックセグメンテーションの精度,キャリブレーション,不確実性に及ぼすCutMixの影響について検討した。 以上の結果から,CutMixはセグメンテーション精度にわずかしか影響を与えていないが,信頼性は一貫して向上していることがわかった。 この区別は、信頼性の高い信頼性見積が生のパフォーマンスと同じくらい重要である、安全クリティカルなデプロイメントにとって重要である。
• 参考スコア（独自算出の注目度）: 8.896968234159788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring not only high accuracy but also reliable and robust predictions is critical for the deployment of semantic segmentation models in safety-critical applications such as autonomous driving. Despite the widespread use of CutMix - a simple yet powerful data augmentation strategy - its effect on the reliability and robustness in dense predictions tasks remains unexplored. Motivated by recent findings that semi-supervised segmentation methods, where CutMix is a core component, can severely degrade reliability, this study isolates and systematically analyzes the influence of CutMix on segmentation accuracy, calibration, and uncertainty quality. We evaluate two representative architectures, the CNN-based DeepLabV3+ and the transformer-based SegFormer, across both in-domain and out-of-domain scenarios. Our results show that CutMix has only a minor impact on segmentation accuracy but consistently improves the reliability, particularly under distribution shifts. These improvements indicate that CutMix primarily enhances the trustworthiness of the model's calibration and uncertainty rather than the raw segmentation prediction itself. This distinction is crucial for safety-critical deployment, where reliable confidence estimates are as important as raw performance.
• Abstract（参考訳）: 自律運転のような安全クリティカルなアプリケーションにセマンティックセグメンテーションモデルを配置するためには、高い精度だけでなく、信頼性と堅牢な予測も重要である。 シンプルだが強力なデータ拡張戦略であるCutMixが広く使用されているにもかかわらず、密集した予測タスクの信頼性と堅牢性に対する影響は、まだ解明されていない。 半教師付きセグメンテーション法(CutMixが中核となる)が信頼性を著しく低下させるという最近の知見に触発されて,CutMixのセグメンテーション精度,キャリブレーション,不確実性に対する影響を分離,系統的に解析した。 CNNベースのDeepLabV3+とトランスフォーマーベースのSegFormerの2つの代表的なアーキテクチャをドメイン内およびドメイン外の両方のシナリオで評価する。 以上の結果から,CutMixはセグメント化精度に小さな影響しか与えていないが,特に分布シフト下では信頼性が常に向上していることがわかった。 これらの改善は、CutMixが生のセグメンテーション予測そのものよりも、モデルのキャリブレーションと不確実性の信頼性を主に向上することを示している。 この区別は、信頼性の高い信頼性見積が生のパフォーマンスと同じくらい重要である、安全クリティカルなデプロイメントにとって重要である。

関連論文リスト

• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Unveiling the Entropy Dynamics of Chain-of-Thought Reasoning [81.57028614960576]
  1)信頼性の高い -- 信頼性の高い -- 信頼性の高い領域での回答は高度に正確で安定したものになり、2)高冗長性 -- モデルは正しい回答に達した後ずっと経ってから不必要なトークンを生成する。 これらの特性はより効率的で信頼性の高い推論戦略を解き放つ。
  論文  参考訳（メタデータ） (2026-06-01T10:11:14Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Enhancing Trustworthiness with Mixed Precision: Benchmarks, Opportunities, and Challenges [12.438306093697]
  大規模言語モデル(LLM)は、様々なタスクで有望なパフォーマンスを示している。 LLMの自己回帰デコーディングプロセスは、既存のAIハードウェアへの効率的なデプロイに重大な課題をもたらす。
  論文  参考訳（メタデータ） (2025-11-27T14:17:43Z)
• Segmented Confidence Sequences and Multi-Scale Adaptive Confidence Segments for Anomaly Detection in Nonstationary Time Series [0.0]
  我々は、SCS(Segmented Confidence Sequences)とMACS(Multi-Scale Adaptive Confidence Segments)の2つの新しい適応しきい値フレームワークを紹介し、実証的に評価する。 Wefer Manufacturingのベンチマークデータセットによる実験では、従来のパーセンタイルやローリング量子化アプローチと比較して、F1スコアの大幅な改善が見られた。
  論文  参考訳（メタデータ） (2025-08-08T18:34:54Z)
• Rethinking Semi-supervised Segmentation Beyond Accuracy: Reliability and Robustness [10.220692937750295]
  信頼性スコア(Reliable Score, RSS)は、予測精度、キャリブレーション、不確実性の測定を調和平均で組み合わせた新しい尺度である。 我々は、半教師付き学習研究と現実世界の展開ニーズをより良く整合させるために、RSSのようなより包括的なメトリクスへの評価プロトコルのシフトを提唱する。
  論文  参考訳（メタデータ） (2025-06-06T09:37:45Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• TBraTS: Trusted Brain Tumor Segmentation [32.51443933646828]
  そこで我々は,信頼できる脳腫瘍セグメント化ネットワークを提案し,ロバストなセグメンテーション結果と確実な不確実性推定を行う。 本手法では, 主観的論理理論を用いて不確かさを明示的にモデル化する。 我々の統合された信頼されたセグメンテーションフレームワークは、信頼性とロバスト性をアウト・オブ・ディストリビューション・サンプルに与えます。
  論文  参考訳（メタデータ） (2022-06-19T02:26:30Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。