Laplacian Segmentation Networks Improve Epistemic Uncertainty Quantification

要約

画像のセグメンテーションは、特に分布外 (OOD) 画像に対して予測を行う場合、自信過剰になることが知られているニューラル ネットワークに大きく依存しています。
これは、機器、取得場所、または画像の破損の違いによる医療分野では一般的なシナリオです。
この研究では、ラプラシアン セグメンテーション ネットワーク (LSN) を提案することで、OOD 検出の課題に取り組んでいます。これは、OOD 検出の認識 (モデル) と偶然 (データ) の不確実性を共同でモデル化する方法です。
そうすることで、高次元の出力を持つスキップ接続を備えた大規模なニューラル ネットワークにスケールする事後重みの最初のラプラス近似を提案します。
我々は、LSN モデル化されたパラメータ分布を適切な不確実性測定と組み合わせることで、優れた OOD 検出が得られることを 3 つのデータセットで実証しました。

要約(オリジナル)

Image segmentation relies heavily on neural networks which are known to be overconfident, especially when making predictions on out-of-distribution (OOD) images. This is a common scenario in the medical domain due to variations in equipment, acquisition sites, or image corruptions. This work addresses the challenge of OOD detection by proposing Laplacian Segmentation Networks (LSN): methods which jointly model epistemic (model) and aleatoric (data) uncertainty for OOD detection. In doing so, we propose the first Laplace approximation of the weight posterior that scales to large neural networks with skip connections that have high-dimensional outputs. We demonstrate on three datasets that the LSN-modeled parameter distributions, in combination with suitable uncertainty measures, gives superior OOD detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google