Segmentation Re-thinking Uncertainty Estimation Metrics for Semantic Segmentation

要約

コンピューター ビジョンの分野では、セマンティック セグメンテーションが機械学習内の基本的なアプリケーションとして登場し、画像の個々のピクセルが別個のセマンティック カテゴリに分類されます。
このタスクは、各セグメンテーション予測の信頼性を評価するための重要な尺度である不確実性の定量化を組み込むことにより、従来の精度指標を超えています。
このような定量化は、特に精度が最重要であるアプリケーションにおいて、情報に基づいた意思決定を容易にするのに役立ちます。
この微妙な枠組みの中で、PAvPU (パッチ精度対パッチ不確実性) として知られる指標が、画像セグメンテーション タスクにおけるエントロピー ベースの不確実性を評価するための特殊なツールとして開発されました。
ただし、私たちの調査では、PAvPU フレームワーク内の 3 つの主要な欠陥を特定し、指標を改善することを目的とした堅牢なソリューションを提案しています。
これらの問題に対処することで、特に高レベルの安全性と精度が要求されるシナリオにおいて、不確実性の定量化の信頼性と適用性を強化し、クリティカルなアプリケーションにおけるセマンティック セグメンテーション手法の進歩に貢献することを目指しています。

要約(オリジナル)

In the domain of computer vision, semantic segmentation emerges as a fundamental application within machine learning, wherein individual pixels of an image are classified into distinct semantic categories. This task transcends traditional accuracy metrics by incorporating uncertainty quantification, a critical measure for assessing the reliability of each segmentation prediction. Such quantification is instrumental in facilitating informed decision-making, particularly in applications where precision is paramount. Within this nuanced framework, the metric known as PAvPU (Patch Accuracy versus Patch Uncertainty) has been developed as a specialized tool for evaluating entropy-based uncertainty in image segmentation tasks. However, our investigation identifies three core deficiencies within the PAvPU framework and proposes robust solutions aimed at refining the metric. By addressing these issues, we aim to enhance the reliability and applicability of uncertainty quantification, especially in scenarios that demand high levels of safety and accuracy, thus contributing to the advancement of semantic segmentation methodologies in critical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google