On Calibrating Semantic Segmentation Models: Analysis and An Algorithm

要約

セマンティック セグメンテーション キャリブレーションの問題を研究します。
画像分類については、モデルの信頼度の誤調整を軽減するために、多くの既存のソリューションが提案されています。
ただし、これまでのところ、セマンティック セグメンテーションに関する信頼度調整の研究はまだ限られています。
セマンティックセグメンテーションモデルのキャリブレーションに関する体系的な研究を提供し、シンプルで効果的なアプローチを提案します。
まず、モデルの容量、作物のサイズ、マルチスケール テスト、および予測の正確性がキャリブレーションに影響を与えることがわかりました。
その中でも、予測の正しさ、特に誤予測は、過信によるミスキャリブレーションにとってより重要です。
次に、スケーリングの正しい/誤った予測を分離し、誤予測のロジット平滑化にさらに焦点を当てることにより、単純で統一された効果的なアプローチ、つまり選択的スケーリングを提案します。
次に、一般的な既存のキャリブレーション方法を研究し、セマンティック セグメンテーション キャリブレーションの選択的スケーリングと比較します。
ドメイン内キャリブレーションとドメインシフトキャリブレーションの両方でさまざまなベンチマークを使用して広範な実験を行い、選択的スケーリングが一貫して他の方法よりも優れていることを示しています。

要約(オリジナル)

We study the problem of semantic segmentation calibration. For image classification, lots of existing solutions are proposed to alleviate model miscalibration of confidence. However, to date, confidence calibration research on semantic segmentation is still limited. We provide a systematic study on the calibration of semantic segmentation models and propose a simple yet effective approach. First, we find that model capacity, crop size, multi-scale testing, and prediction correctness have impact on calibration. Among them, prediction correctness, especially misprediction, is more important to miscalibration due to over-confidence. Next, we propose a simple, unifying, and effective approach, namely selective scaling, by separating correct/incorrect prediction for scaling and more focusing on misprediction logit smoothing. Then, we study popular existing calibration methods and compare them with selective scaling on semantic segmentation calibration. We conduct extensive experiments with a variety of benchmarks on both in-domain and domain-shift calibration, and show that selective scaling consistently outperforms other methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google