软Dice置信度：语义分割中用于选择性预测的近似最优置信度估计器

在语义分割中，即使是最先进的深度学习模型在某些高风险应用（如医学图像分析）中也难以达到所需的性能。在这些情况下，可以通过允许模型在置信度较低时放弃预测来提升性能，这种方法称为选择性预测。虽然选择性预测在分类文献中广为人知，但在语义分割的背景下尚未得到充分探索。本文通过关注图像级放弃来解决这一问题，即为整个图像生成单一的置信度估计，这与先前关注像素级不确定性的方法不同。假设Dice系数作为分割的评估指标，本文提供了两个主要贡献：（i）在已知边缘后验概率的情况下，我们推导出最优置信度估计器，但发现对于典型图像尺寸而言该估计器难以处理。然后，我们提出了一种线性时间可计算的近似方法，称为软Dice置信度（SDC），并证明它与最优估计器紧密有界。（ii）当仅知道边缘后验概率的估计值时，我们提出了SDC的插件版本，并证明它优于所有先前的方法，包括那些需要额外调优数据的方法。这些发现得到了合成数据和来自六项医学成像任务（包括分布外场景）的真实世界数据的实验结果支持，将SDC定位为语义分割中可靠且高效的选择性预测工具。