ProPanDL：一种用于不确定性感知全景分割的模块化架构
计算机视觉与模式识别
2023-04-19 v1
摘要
我们提出 ProPanDL，一系列能够进行不确定性感知全景分割的网络。与现有分割方法不同，ProPanDL 能够估计全景分割的语义与空间两方面上的完整概率分布。我们实现并评估了能够估计参数化（Variance Network）与无参数（SampleNet）分布以量化逐像素空间不确定性的 ProPanDL 变体。我们将这些方法与两种用于语义不确定性估计的方法（温度缩放与证据深度学习）相结合。为评估不确定性感知全景分割任务，我们通过提出新的指标来解决现有方法的局限性，从而能够分别评估空间与语义不确定性。我们还提出使用能量分数（一种恰当的评分准则）来对空间输出分布进行更鲁棒的评价。利用这些指标，我们对 ProPanDL 变体进行了广泛评估。我们的结果表明，ProPanDL 能够估计出校准良好且有意义输出分布，同时在基础全景分割任务上仍保持强劲性能。
引用
@article{arxiv.2304.08645,
title = {ProPanDL: A Modular Architecture for Uncertainty-Aware Panoptic Segmentation},
author = {Jacob Deery and Chang Won Lee and Steven Waslander},
journal= {arXiv preprint arXiv:2304.08645},
year = {2023}
}