重新思考语义分割不确定性估计指标
人工智能
2024-04-09 v2
摘要
在计算机视觉领域，语义分割作为机器学习中的基础应用，对图像的每个像素进行分类到特定语义类别。该任务超越传统准确度指标，纳入不确定性量化，这是衡量每个分割预测可靠性的关键指标。这种量化对于在精度至关重要的应用中做出明智决策至关重要。在这一细致的框架中，开发了称为PAvPU（Patch Accuracy versus Patch Uncertainty）的度量标准，用于评估图像分割任务中基于熵的不确定性。然而，我们的调查发现PAvPU框架存在三个核心缺陷，并提出了旨인 refining该度量标准的robust解决方案。通过解决这些问题，我们旨在增强不确定性量化的可靠性和适用性，尤其是在需要极高安全性和准确性的场景中，从而推动语义分割方法论在关键应用中的发展。
引用
@article{arxiv.2403.19826,
title = {Segmentation Re-thinking Uncertainty Estimation Metrics for Semantic Segmentation},
author = {Qitian Ma and Shyam Nanda Rai and Carlo Masone and Tatiana Tommasi},
journal= {arXiv preprint arXiv:2403.19826},
year = {2024}
}
备注
Premature Submission: accidentally submitted before it was ready