基于图神经网络的语义分割不确定性与预测质量估计

在汽车感知或医学影像等安全关键应用中，使用深度神经网络进行语义分割时，在运行时估计其性能至关重要，例如通过不确定性估计或预测质量估计。以往的工作大多在像素级别进行不确定性估计。在一系列研究中，一种连通分量级别（段级别）的视角被采用，通过执行所谓的元分类和回归，分别在对象级别上估计不确定性和预测质量。在这些工作中，每个预测的段都被单独考虑以估计其不确定性或预测质量。然而，相邻的段可能为给定的预测段是否具有高质量提供额外线索，这正是我们在本工作中研究的。基于段级别的不确定性指示指标，我们使用图神经网络来建模给定段的质量与其自身指标及其相邻段指标之间的函数关系。我们比较了不同的图神经网络架构，并实现了显著的性能提升。