语义分割中的可靠性：我们走在正确的轨道上吗？
计算机视觉与模式识别
2023-03-21 v1
摘要
受 transformer 在计算机视觉中日益流行所推动，近来新型架构快速发展。虽然域内性能呈持续上升趋势，但鲁棒性或不确定性估计等性质较少被探索——令人对模型可靠性的进展产生怀疑。沿这些轴的研究存在，但主要局限于分类模型。相反，我们对语义分割开展研究，这是许多模型可靠性至关重要的现实应用的相关任务。我们分析广泛多样的模型，从较早的基于 ResNet 的架构到新颖的 transformer，并基于四个指标评估其可靠性：鲁棒性、校准、误分类检测和分布外（OOD）检测。我们发现，虽然近期模型显著更鲁棒，但在不确定性估计方面并非整体更可靠。我们进一步探索可提供帮助的方法，并表明改进校准也能有助于其他不确定性指标，如误分类或 OOD 检测。这是首个聚焦现代分割模型鲁棒性与不确定性估计的研究，希望它能帮助关注这一基础视觉任务的从业者和研究者。代码见 https://github.com/naver/relis。
引用
@article{arxiv.2303.11298,
title = {Reliability in Semantic Segmentation: Are We on the Right Track?},
author = {Pau de Jorge and Riccardo Volpi and Philip Torr and Gregory Rogez},
journal= {arXiv preprint arXiv:2303.11298},
year = {2023}
}
备注
Accepted to CVPR 2023