滑坡分割模型中的不确定性估计
计算机视觉与模式识别
2024-03-26 v2
摘要
滑坡是一种反复发生、分布广泛的灾害。覆盖全球风险区域的高质量大规模数据集可助力防灾与减灾工作。此类数据集目前尚不存在，且无法人工构建。近期的自动化工作聚焦于从卫星影像中进行滑坡分割（像素标注）的深度学习模型。然而，刻画此类分割的不确定性或置信度同样重要。准确而稳健的不确定性估计能够以低成本（就人工而言）监督自动生成的滑坡数据库以纠正错误、识别难负样本并增加标注训练数据规模。本文中，我们评估了几种评估分割像素级不确定性的方法。比较了三种无需改变架构的方法，包括阈值前激活、蒙特卡洛丢弃（Monte-Carlo Dropout）与测试时增强——一种衡量预测面对数据增强时稳健性的方法。实验上，在我们的数据集中，后一种方法的质量在多种模型与指标下始终高于其他方法。
引用
@article{arxiv.2311.11138,
title = {Estimating Uncertainty in Landslide Segmentation Models},
author = {Savinay Nagendra and Chaopeng Shen and Daniel Kifer},
journal= {arXiv preprint arXiv:2311.11138},
year = {2024}
}