通过细粒度奖励最大化对安全关键场景分割进行不确定性估计
计算机视觉与模式识别
2023-11-07 v1
摘要
不确定性估计对于未来在诸如医疗应用等安全关键场景中可靠部署深度分割模型具有重要作用。然而，现有的不确定性估计方法受限于缺乏用于校准预测风险与模型置信度的显式指导。在这项工作中，我们提出了一种新颖的细粒度奖励最大化（FGRM）框架，通过直接利用与不确定性度量相关的奖励函数以及基于强化学习的模型调优算法来解决不确定性估计问题。这将通过模型校准的直接优化指导使模型不确定性估计受益。具体而言，我们的方法使用校准度量设计了一个新的不确定性估计奖励函数，并将其最大化以微调一个证据学习预训练的分割模型，从而校准预测风险。重要的是，我们创新了一种有效的细粒度参数更新方案，该方案根据由 Fisher 信息矩阵量化的参数重要性对每个网络参数施加细粒度奖励加权。据我们所知，这是在安全关键视觉任务中探索模型不确定性估计的奖励优化的第一项工作。我们的方法在两个大型安全关键手术场景分割数据集上、在两种不同不确定性估计设定下得到了验证。在推理时以实时单次前向传播，我们的方法在所有不确定性估计的校准度量上以明显优势超越 SOTA 方法，同时保持了分割结果的高任务精度。代码可在 \url{https://github.com/med-air/FGRM} 获取。
引用
@article{arxiv.2311.02719,
title = {Uncertainty Estimation for Safety-critical Scene Segmentation via Fine-grained Reward Maximization},
author = {Hongzheng Yang and Cheng Chen and Yueyao Chen and Markus Scheppach and Hon Chi Yip and Qi Dou},
journal= {arXiv preprint arXiv:2311.02719},
year = {2023}
}