Masked Gamma-SSL：通过掩码图像建模学习不确定性估计
计算机视觉与模式识别
2024-02-28 v1 机器人学
摘要
这项工作提出了一种语义分割网络，能够在单次前向传播中产生高质量的不确定性估计。我们利用基础模型和未标记数据集的通用表示，通过一种对增强超参数具有鲁棒性且比先前技术更简单的掩码图像建模 (MIM) 方法来实现。对于用于安全关键应用的神经网络，训练数据中的偏差可能导致错误；因此， crucial 的是在运行时理解网络的局限性并采取相应行动。为此，我们在多个测试域上测试了我们提出的方法，包括 SAX 分割基准，该基准包含来自密集城市、农村和越野驾驶领域的标记测试数据。在这个困难的基准测试中，所提出的方法在不确定性估计和分布外 (OoD) 技术方面始终优于现有技术。
引用
@article{arxiv.2402.17622,
title = {Masked Gamma-SSL: Learning Uncertainty Estimation via Masked Image Modeling},
author = {David S. W. Williams and Matthew Gadd and Paul Newman and Daniele De Martini},
journal= {arXiv preprint arXiv:2402.17622},
year = {2024}
}
备注
Accepted for publication at 2024 IEEE International Conference on Robotics and Automation (ICRA)