通过未标记数据的不确定性估计缓解语义分割中的分布偏移
计算机视觉与模式识别
2024-02-28 v1 机器人学
摘要
知道训练好的分割模型何时遇到与其训练数据不同的数据非常重要。理解和减轻这种影响在其应用中从性能和保证角度来看起着重要作用——这在自动驾驶汽车（AVs）等应用中是一个安全问题。这项工作提出了一种分割网络，可以在单次前向传播中检测由具有挑战性的测试域引起的错误，而无需任何额外的标注。由于标注成本限制了标记数据集的多样性，我们使用易于获取、未经策划和未标记的数据，通过选择性地在数据增强上强制执行一致性来学习执行不确定性估计。为此，使用了一个基于 SAX 数据集的新颖分割基准，该基准包括跨越三个自动驾驶域的标记测试数据，外观范围从密集城市到越野。所提出的方法名为 Gamma-SSL，在这个困难的基准测试中始终优于不确定性估计和分布外（OoD）技术——在三个场景中最具挑战性的场景中，接收者操作特征（ROC）曲线下面积提高了多达 10.7%，精确率 - 召回率（PR）曲线下面积提高了 19.2%。
引用
@article{arxiv.2402.17653,
title = {Mitigating Distributional Shift in Semantic Segmentation via Uncertainty Estimation from Unlabelled Data},
author = {David S. W. Williams and Daniele De Martini and Matthew Gadd and Paul Newman},
journal= {arXiv preprint arXiv:2402.17653},
year = {2024}
}
备注
Accepted for publication in IEEE Transactions on Robotics (T-RO)