基于惩罚约束的邻域感知分割网络校准
计算机视觉与模式识别
2024-01-29 v1
摘要
确保深度神经网络提供可靠的置信度分数在关键决策系统中至关重要，尤其是在医疗保健等现实领域。近期关于深度分割网络校准的文献已取得了实质性进展。然而，这些方法深受分类任务进展的启发，因此其不确定性通常通过利用单个像素的信息来建模，而忽略了感兴趣对象的局部结构。事实上，只有最近的 Spatially Varying Label Smoothing (SVLS) 方法通过使用离散空间高斯核软化像素标签分配，考虑了跨类别的像素空间关系。在本文中，我们首先提出了 SVLS 的约束优化视角，并证明它对周围像素的软类别比例施加了一个隐式约束。此外，我们的分析表明，SVLS 缺乏一种机制来平衡约束与主要目标的贡献，这可能会阻碍优化过程。基于这些观察，我们提出了 NACL (Neighbor Aware CaLibration)，这是一种基于 logit 值等式约束的原则性且简单的解决方案，它能够显式地控制所施加的约束和惩罚的权重，从而提供了更大的灵活性。在广泛知名的分割基准上的综合实验证明了所提方法优越的校准性能，同时不影响其判别能力。此外，消融研究实证地表明了我们方法具有模型无关性，可用于训练广泛的深度分割网络。
引用
@article{arxiv.2401.14487,
title = {Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based Constraints},
author = {Balamurali Murugesan and Sukesh Adiga Vasudeva and Bingyuan Liu and Hervé Lombaert and Ismail Ben Ayed and Jose Dolz},
journal= {arXiv preprint arXiv:2401.14487},
year = {2024}
}
备注
Under review. arXiv admin note: text overlap with arXiv:2303.06268