面向语义分割的深度确定性不确定性
计算机视觉与模式识别
2021-11-02 v1 机器学习
摘要
我们将深度确定性不确定性（DDU）——一种利用特征空间密度进行不确定性估计的方法——扩展到语义分割。DDU 能够在单次前向传播中量化并解耦认知不确定性和偶然不确定性。我们研究了同一类别不同位置像素的特征表示相似性，并得出结论：独立于位置地应用 DDU 是可行的，这与依赖于像素的 DDU 相比显著降低了内存消耗。在 Pascal VOC 2012 上使用 DeepLab-v3+ 架构，我们表明 DDU 优于 MC Dropout 和 Deep Ensembles，同时计算速度显著更快。
引用
@article{arxiv.2111.00079,
title = {Deep Deterministic Uncertainty for Semantic Segmentation},
author = {Jishnu Mukhoti and Joost van Amersfoort and Philip H. S. Torr and Yarin Gal},
journal= {arXiv preprint arXiv:2111.00079},
year = {2021}
}