Adaptive Hierarchical Certification for Segmentation using Randomized Smoothing

要約

一般的な認証方法は、事前に定義されたきめの細かいクラスのフラットなセットで動作します。
ただし、この論文では、新しい、より一般的で実用的な設定、つまり画像セマンティック セグメンテーションのための適応階層型認証を提案します。
この設定では、証明書は、細かいレベルから粗いレベルで構成されるマルチレベルの階層ラベル スペース内に存在することができます。
不安定なコンポーネントの認証を回避する従来の方法とは異なり、私たちのアプローチでは、階層内のより粗いレベルまで認証を適応的に緩和します。
この緩和により、棄権率が低下すると同時に、より認証された意味的に意味のある情報が提供されます。
私たちは問題設定を数学的に定式化し、階層内の画像ピクセルを認証し、その保証の正しさを証明する画像セマンティック セグメンテーション用の適応階層認証アルゴリズムを初めて導入しました。
認証精度には、より粗い階層レベルに移動するときの情報の損失が考慮されていないため、適応型階層認証の新しい評価パラダイム、つまりクラス粒度レベルに比例する認証情報ゲイン メトリックを導入します。
都市景観や ACDC などの現実世界の困難なデータセットに対する当社の評価実験では、当社の適応アルゴリズムが、現在の最先端の認証方法や他の非認証方法と比較して、より高い認証情報の獲得とより低い棄権率を達成していることを実証しています。
その適応バージョン。

要約(オリジナル)

Common certification methods operate on a flat pre-defined set of fine-grained classes. In this paper, however, we propose a novel, more general, and practical setting, namely adaptive hierarchical certification for image semantic segmentation. In this setting, the certification can be within a multi-level hierarchical label space composed of fine to coarse levels. Unlike classic methods where the certification would abstain for unstable components, our approach adaptively relaxes the certification to a coarser level within the hierarchy. This relaxation lowers the abstain rate whilst providing more certified semantically meaningful information. We mathematically formulate the problem setup and introduce, for the first time, an adaptive hierarchical certification algorithm for image semantic segmentation, that certifies image pixels within a hierarchy and prove the correctness of its guarantees. Since certified accuracy does not take the loss of information into account when traversing into a coarser hierarchy level, we introduce a novel evaluation paradigm for adaptive hierarchical certification, namely the certified information gain metric, which is proportional to the class granularity level. Our evaluation experiments on real-world challenging datasets such as Cityscapes and ACDC demonstrate that our adaptive algorithm achieves a higher certified information gain and a lower abstain rate compared to the current state-of-the-art certification method, as well as other non-adaptive versions of it.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google