ComBiNet：用于图像分割的紧凑卷积贝叶斯神经网络
计算机视觉与模式识别
2021-06-29 v2 人工智能
摘要
全卷积U形神经网络在很大程度上一直是像素级图像分割的主导方法。在这项工作中，我们解决了阻碍其在现实世界应用中部署的两个缺陷：1）预测缺乏不确定性量化，而这对许多决策系统可能至关重要；2）庞大的内存存储和计算消耗需要广泛的硬件资源。为解决这些问题并提升其实用性，我们展示了一种少参数的紧凑贝叶斯卷积架构，与使用显著更少参数和计算操作的相关工作相比，其在准确性上实现了微小提升。该架构结合了参数高效的操作，如可分离卷积、双线性插值、多尺度特征传播以及通过Monte Carlo Dropout进行逐像素不确定性量化的贝叶斯推断。在观测样本少且具挑战性的多样数据集上，性能最佳的配置所需参数少于250万。
引用
@article{arxiv.2104.06957,
title = {ComBiNet: Compact Convolutional Bayesian Neural Network for Image Segmentation},
author = {Martin Ferianc and Divyansh Manocha and Hongxiang Fan and Miguel Rodrigues},
journal= {arXiv preprint arXiv:2104.06957},
year = {2021}
}
备注
Accepted for publication at ICANN 2021. Code at: https://github.com/martinferianc/ComBiNet