用于图像分割中离群值检测的分布化高斯过程层
机器学习
2021-04-29 v1 机器学习
摘要
我们提出了一种用于层次化卷积高斯过程的参数高效贝叶斯层，其融入了在 Wasserstein-2 空间中操作的高斯过程以可靠地传播不确定性。这直接用对分布的距离保持仿射算子替代了卷积高斯过程。我们在脑组织分割上的实验表明，所得架构逼近了成熟的确定性分割算法(U-Net)的性能，这是此前的层次化高斯过程从未达到的。此外，通过将同一分割模型应用于分布外数据（即带有诸如脑肿瘤等病灶的图像），我们展示了我们的不确定性估计所产生的分布外检测优于先前学习规范分布的贝叶斯网络与基于重建的方法的能力。
引用
@article{arxiv.2104.13756,
title = {Distributional Gaussian Process Layers for Outlier Detection in Image Segmentation},
author = {Sebastian G. Popescu and David J. Sharp and James H. Cole and Konstantinos Kamnitsas and Ben Glocker},
journal= {arXiv preprint arXiv:2104.13756},
year = {2021}
}