信赖邻域：基于惩罚项的模型校准约束
计算机视觉与模式识别
2024-01-17 v2
摘要
在关键决策系统（尤其是医疗领域）中，确保深度网络输出可靠的置信度分数至关重要。尽管近期关于深度分割网络校准的研究已取得显著进展，但其不确定性建模通常仅利用单个像素的信息，忽略了感兴趣目标的局部结构。具体而言，唯有近期提出的空间变化标签平滑（SVLS）方法通过离散空间高斯核软化像素标签分配来解决此问题。本工作中，我们首先给出 SVLS 的约束优化视角，并证明其对边邻像素的软类别比例施加了隐式约束。此外，我们的分析表明 SVLS 缺乏平衡该约束与主目标贡献的机制，可能阻碍优化过程。基于这些观察，我们提出了一种基于 logit 值等式约束的、有原则且简洁的解决方案，其能够显式控制所施加的约束及惩罚项的权重，提供了更大的灵活性。在多个知名分割基准上的综合实验证明了所提方法的优越性能。
引用
@article{arxiv.2303.06268,
title = {Trust your neighbours: Penalty-based constraints for model calibration},
author = {Balamurali Murugesan and Sukesh Adiga and Bingyuan Liu and Hervé Lombaert and Ismail Ben Ayed and Jose Dolz},
journal= {arXiv preprint arXiv:2303.06268},
year = {2024}
}
备注
MICCAI 2023