用于概率校准的局部温度缩放
计算机视觉与模式识别
2021-07-28 v2
摘要
对于语义分割，标签概率通常未经过校准，因为它们通常只是分割任务的副产品。交并比（IoU）和 Dice 分数常被用作分割成功的标准，而与标签概率相关的度量则较少被探讨。然而，已有概率校准方法的研究，其将概率输出与实验观测误差相匹配。这些方法主要关注分类任务，而非语义分割。因此，我们提出一种基于学习的校准方法，专注于多标签语义分割。具体而言，我们采用卷积神经网络预测用于概率校准的局部温度值。我们方法的一个优势是不改变预测精度，从而允许将校准作为后处理步骤。在 COCO、CamVid 和 LPBA40 数据集上的实验表明，在一系列不同度量下校准性能均有所提升。我们还展示了我们的方法在基于磁共振图像的多图谱脑分割中的良好性能。
引用
@article{arxiv.2008.05105,
title = {Local Temperature Scaling for Probability Calibration},
author = {Zhipeng Ding and Xu Han and Peirong Liu and Marc Niethammer},
journal= {arXiv preprint arXiv:2008.05105},
year = {2021}
}
备注
Accepted by ICCV-2021