视频中语义分割的高效不确定性估计
计算机视觉与模式识别
2018-07-31 v1
摘要
深度学习中的不确定性估计近来愈发重要。若我们不知模型对其决策是否确定，便无法将深度学习模型应用于实际场景。一些文献提出贝叶斯神经网络，可通过蒙特卡洛丢弃（MC dropout）估计不确定性。然而，MC dropout需将模型前向传播次，导致速度慢倍。对于诸如自动驾驶汽车系统等实时应用，需尽可能快地获得预测与不确定性，故MC dropout变得不切实际。本工作中，我们提出基于区域的时间聚合（RTA）方法，利用视频中的时间信息模拟采样过程。我们的RTA方法配合Tiramisu骨干网络比配合Tiramisu骨干网络的MC dropout（）快10倍。此外，RTA方法获得的不确定性估计在像素级与帧级指标上与MC dropout的不确定性估计相当。
引用
@article{arxiv.1807.11037,
title = {Efficient Uncertainty Estimation for Semantic Segmentation in Videos},
author = {Po-Yu Huang and Wan-Ting Hsu and Chun-Yueh Chiu and Ting-Fan Wu and Min Sun},
journal= {arXiv preprint arXiv:1807.11037},
year = {2018}
}
备注
16 pages. ECCV 2018