拉普拉斯分割网络改进认知不确定性量化
计算机视觉与模式识别
2024-07-24 v2 机器学习
摘要
图像分割严重依赖神经网络，而众所周知神经网络会过度自信，尤其是在对分布外（OOD）图像进行预测时。由于设备、采集站点或图像损坏的差异，这在医学领域是一种常见情形。本工作通过提出拉普拉斯分割网络（LSN）来解决 OOD 检测的挑战：该方法联合建模用于 OOD 检测的认知（模型）不确定性和偶然（数据）不确定性。在此过程中，我们提出了首个可扩展到具有跳跃连接和高维输出的大型神经网络的权重后验的拉普拉斯近似。我们在三个数据集上证明，LSN 建模的参数分布结合合适的的不确定性度量，可给出优越的 OOD 检测性能。
引用
@article{arxiv.2303.13123,
title = {Laplacian Segmentation Networks Improve Epistemic Uncertainty Quantification},
author = {Kilian Zepf and Selma Wanna and Marco Miani and Juston Moore and Jes Frellsen and Søren Hauberg and Frederik Warburg and Aasa Feragen},
journal= {arXiv preprint arXiv:2303.13123},
year = {2024}
}
备注
Published in the Conference Proceedings of the 27th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI)