論文の概要: From Failure Prediction to Component Selection in Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2610.16058v1
• Date: Mon, 12 Oct 2026 01:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 07:55:04.949502
• Title: From Failure Prediction to Component Selection in Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションにおける故障予測から成分選択へ
• Abstract要約: 我々は3つの質問を結びつける意思決定中心評価フレームワークを開発した。 利用可能なスコア、既存の分野から学べるもの、ランキングがもたらすもの。
• 参考スコア（独自算出の注目度）: 1.334099611116506
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable scene understanding requires deciding which predictions to trust, retain, or inspect. In semantic segmentation, component failure predictors support these decisions, but their predictive performance does not fully describe the value of the resulting selection. We develop a decision-centered evaluation framework that connects three questions: what an available score predicts, what can be learned from its existing fields, and what its ranking delivers. Across three segmentation systems on Cityscapes and ACDC at 90% retention, adapted MetaSeg reduces retained failure relative to forecast entropy in all twelve architecture-population comparisons, but does not establish a failure advantage over direct probability ranking. Image-nested source experiments reveal a different opportunity: reusing the full field set improves predictive and retained-loss performance under both learners in all three systems, while the raw OCRNet probe improves prediction with unresolved selective gains. Mapping a fixed prediction pair to conditional log-loss risk produces mixed selection effects, which we examine through the components exchanged by the two rankings. These findings distinguish the performance of a fitted score from the value obtainable from its inputs and the consequences of its use. The framework provides a practical basis for deciding whether to adopt an additional score, relearn existing fields, or revise a selection rule, and for explaining the gains and failures of component-level reliability methods.
• Abstract（参考訳）: 信頼性の高いシーン理解には、どの予測を信頼するか、保持するか、検査するかを決定する必要があります。 セグメンテーションでは、コンポーネント障害予測器はこれらの決定をサポートするが、その予測性能は結果の選択値を完全に記述していない。 我々は、利用可能なスコアが何を予測するか、既存の分野から何が学べるか、ランキングがもたらすものかを3つの質問に結びつける、意思決定中心の評価フレームワークを開発する。 CityscapesとACDCの3つのセグメンテーションシステムで90%の保持を保ち、MetaSegは12のアーキテクチャと人口の比較で予測エントロピーに対する持続的な障害を減らすが、直接確率ランキングよりも失敗の優位性を確立することはできない。 実OCRNetプローブは未解決の選択的ゲインで予測を改善する一方、全フィールドセットの再利用は学習者双方の3つのシステムにおいて予測性能と余剰性能を改善する。 固定予測ペアを条件付きログロスリスクにマッピングすると、混合選択効果が生じる。 これらの結果から,入出力から得られる値と使用結果とを区別した。 このフレームワークは、追加のスコアを採用するか、既存のフィールドをリードするか、選択ルールを改訂するか、コンポーネントレベルの信頼性メソッドの利得と失敗を説明するための実践的な基盤を提供する。

関連論文リスト

• From Sampled Evidence to Radiology Reports: Objectives, Constraints, and Realization [22.754207606222696]
  我々は、意思決定信号を分離し、目的を判断し、実現可能な決定セットを作成し、続いてテキストの実現を行うフレームワークを使用する。 MIMIC-CXRとIU-Xrayでは、ベンチマーク毎に13のジェネレータ構成で比較を行った結果、3つの結果が示された。 発見は、決定規則、候補制約、そして実現された報告の別々の評価を動機付けます。
  論文  参考訳（メタデータ） (2026-10-12T19:19:50Z)
• CARE-VI: Conservative Adaptive Reliability Estimation for Value Improvement in Off-Policy Actor-Critic Learning [9.09344103114193]
  我々は、保守的適応ランク付け・スクリーニング(CARS)とセレクタ・評価値アセスメント(SEVA)を開発する。 DAREは、候補信頼性、セレクタと評価器信号のギャップ、および有限ステージ係数を用いて、各残差補正を規制する。 CARE-VIは、批評家のレグレッションとアクターのアップデートのためのバックボーンインターフェースを保存するエビデンス規制されたターゲット構築フレームワークである。
  論文  参考訳（メタデータ） (2026-09-17T11:59:43Z)
• Conformal Reliability: A New Evaluation Metric for Conditional Generation [62.761166941396844]
  条件付き生成モデルは、近年、様々な応用において顕著な成功を収めている。 本稿では,信頼度を事前に設定した予測値に基づいて,信頼度という新たな評価指標を提案する。 本稿では, 予測セットの構築と, (ii) 構築した予測セット内の信頼性スコアを正確に最適化するフレームワークであるConformal Reliability(CReL)を紹介する。
  論文  参考訳（メタデータ） (2026-05-29T03:52:44Z)
• Are We Overconfident in Models and Results for Semi-Supervised 3D Medical Image Segmentation? [4.120238673372104]
  半教師付き学習は、アノテーションのコストを削減する主要なパラダイムとなっている。 現在の進歩は2倍の過信問題によって曇っていると我々は主張する。 本稿では,二軸信頼性評価エンジン上に構築した三空間原理分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T08:16:40Z)
• Rethinking Uncertainty in Segmentation: From Estimation to Decision [0.0]
  医用画像のセグメンテーションでは、不確実性推定がしばしば報告されるが、意思決定を導くために使われることは稀である。 セグメンテーションを2段階のパイプラインとして定式化し、それに続く決定を行い、不確実性のみを最適化することは、達成可能な安全性向上のほとんどを達成できないことを示す。 以上の結果から,最も優れた手法とポリシーの組み合わせは,最大80%のセグメンテーション誤差をわずか25%のdeferralで除去できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-14T19:52:05Z)
• The Confidence Gate Theorem: When Should Ranked Decision Systems Abstain? [0.0]
  ランク付けされた決定システムは、いつランク付けされたアウトプットに介入するか、いつ停止するかを判断しなければならない。 信頼に基づく棄権が意思決定の質を単調に改善し、いつ失敗するかを考察する。
  論文  参考訳（メタデータ） (2026-03-10T17:44:10Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Distribution-Free, Risk-Controlling Prediction Sets [112.9186453405701]
  ユーザ特定レベルにおける将来のテストポイントにおける期待損失を制御するブラックボックス予測器から設定値予測を生成する方法を示す。 提案手法は,予測セットのサイズをキャリブレーションするホールドアウトセットを用いて,任意のデータセットに対して明確な有限サンプル保証を提供する。
  論文  参考訳（メタデータ） (2021-01-07T18:59:33Z)

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。