语义分割中的预测误差元分类：基于 Softmax 概率聚合离散度度量的检测
计算机视觉与模式识别
2019-10-03 v2 机器学习
机器学习
摘要
我们提出了一种对语义分割神经网络预测的分割块是否与真实标注相交进行“元”分类的方法。为此，我们采用预测的逐像素类别概率分布的离散度度量（如分类熵），生成与输入场景大小相同的热力图。我们将这些离散度度量按分割块进行聚合，并导出与预测和真实标注的逐分割块 IoU 良好相关的指标。该过程产生了一个几乎即插即用的后处理工具，用于在分割块级别评估语义分割网络的预测质量。这对于在自动驾驶或医学成像等可靠性至关重要的在线应用中监控神经网络尤为重要。在我们的测试中，我们使用了在 Cityscapes 数据集和 BraTS2017 数据集上训练的公开最先进网络，并分析了不同指标以及不同指标集的预测能力。为此，我们计算了逻辑 LASSO 回归拟合以对每个分割块的 IoU=0 与 IoU>0 进行分类，并获得了高达 91.55% 的 AUROC 值。我们用线性回归拟合补充了这些测试以预测逐分割块的 IoU，获得了低至 0.130 的预测标准差以及高达 84.15% 的 值。我们表明这些结果明显优于标准方法。
引用
@article{arxiv.1811.00648,
title = {Prediction Error Meta Classification in Semantic Segmentation: Detection via Aggregated Dispersion Measures of Softmax Probabilities},
author = {Matthias Rottmann and Pascal Colling and Thomas-Paul Hack and Robin Chan and Fabian Hüger and Peter Schlicht and Hanno Gottschalk},
journal= {arXiv preprint arXiv:1811.00648},
year = {2019}
}