Towards safe deep learning: accurately quantifying biomarker uncertainty in neural network predictions
University College London(伦敦大学学院);The National Hospital for Neurology and Neurosurgery, University College London NHS Foundation Trust(伦敦大学学院NHS基金会信托国立神经病学和神经外科医院)
自动医学图像分割,特别是使用深度学习,在语义分割任务中表现出出色的性能。然而,这些方法很少量化其不确定性,这可能导致下游分析的错误。在这项工作中,我们建议使用贝叶斯神经网络来量化语义分割域内的不确定性。我们还提出了一种方法,体素分割的不确定性转换为体积的不确定性,并校准的准确性和可靠性的置信区间的衍生测量。当应用于肿瘤体积估计应用时,我们证明了通过使用这种不确定性建模,可以使深度学习系统报告具有良好校准的误差条的体积估计,使其更安全地用于临床使用。我们还表明,不确定性估计外推到看不见的数据,并且在人工噪声的存在下,置信区间是鲁棒的。这可以用来提供一种质量控制和质量保证的形式,并且可以允许在临床中进一步采用深度学习工具。
2018-06-22 cs.CV
Spatially Varying Label Smoothing: Capturing Uncertainty from Expert Annotations
Imperial College London(伦敦帝国理工学院)
由于解剖结构之间的边界的确切位置的模糊性,图像分割的任务固有地是有噪声的。我们认为,这些信息可以从专家注释中提取,而无需额外的成本,当集成到最先进的神经网络中时,它可以改善软概率预测和潜在的不确定性之间的校准。我们建立在标签平滑(LS)的基础上,其中网络在地面真实标签的“模糊”版本上进行训练,这已被证明对校准输出预测是有效的。然而,LS没有考虑局部结构,导致即使对于非模糊区域也具有低置信度的过度平滑预测。在这里,我们提出了空间变化的标签平滑(SVLS),一个软标签技术,捕捉结构的不确定性,在语义分割。当有多个标签图可用时,SVLS也自然地适用于纳入评分者间的不确定性。所提出的方法进行了广泛的验证四个临床分割任务,不同的成像模式,类的数量和单和多评分专家注释。结果表明,SVLS,尽管它的简单,获得优越的边界预测与改进的不确定性和模型校准。
2021-04-12 cs.CV
Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation
Airdoc(鹰瞳科技);Harbin Engineering University(哈尔滨工程大学);IIAI(国际人工智能研究院);Monash University(莫纳什大学);The University of Sydney(悉尼大学)
众所周知,深度神经网络是数据驱动的,标签噪声会对模型性能产生显著影响。最近的研究表明,即使在高噪声率下,经典图像识别也具有很强的鲁棒性。在医学应用中,从具有标签噪声的数据集中学习更具挑战性,因为医学成像数据集往往具有不对称(类别相关)噪声并且遭受高观察者可变性。本文系统地讨论和定义了医学图像中两种常见的标签噪声--专家意见不一致的标签噪声和错误诊断记录的单目标标签噪声。然后,我们提出了一个基于不确定性估计的框架来处理这两个标签噪声在医疗图像分类任务。我们设计了一种双不确定性估计方法,通过直接不确定性预测和Monte-Carlo-Dropout来测量不一致标签噪声和单目标标签噪声。随后引入了基于增强的课程训练过程,以实现鲁棒学习。我们通过对三种不同的疾病进行广泛的实验来证明我们的方法的有效性:皮肤病变,前列腺癌和视网膜疾病。我们还发布了一个大型的重新设计的数据库,其中包括来自十多位眼科医生的注释,以及用于评估和基准测试的无偏见黄金标准数据集。
2021-03-21 cs.CV
Seq-UPS: Sequential Uncertainty-aware Pseudo-label Selection for Semi-Supervised Text Recognition
Purdue University(普渡大学)
本文着眼于基于图像的文本识别的半监督学习(SSL)。最流行的SSL方法之一是伪标签(PL)。PL方法在使用标记数据和伪标记数据的组合重新训练模型之前将标签分配给未标记数据。然而,PL方法被噪声严重降级,并且由于包括从校准不良的模型生成的错误的高置信度伪标签,因此容易过度拟合到有噪声的标签,从而使得基于阈值的选择无效。此外,假设空间的组合复杂性和由于多个不正确的自回归步骤而导致的误差累积使得序列模型的伪标记具有挑战性。为此,我们提出了一个伪标签生成和基于不确定性的数据选择框架的半监督文本识别。我们首先使用波束搜索推理产生高度可能的假设分配伪标签的未标记的例子。然后,我们采用一个集成的模型,通过应用dropout采样,以获得与预测相关的不确定性的鲁棒估计,同时考虑字符级和单词级的预测分布,以选择高质量的伪标签。在几个基准手写和场景文本数据集上的大量实验表明,我们的方法优于基线方法和以前最先进的半监督文本识别方法。
2022-10-06 cs.CV
Hierarchical brain parcellation with uncertainty
Institute of Neurology, University College London(伦敦大学学院神经病学研究所)
许多用于大脑分割的地图集是分层组织的,逐渐将大脑划分为更小的子区域。然而,最先进的分割方法往往忽略这种结构,并将标签视为“平面”。我们引入了一种层次意识的大脑分割方法,其工作原理是预测标签树中每个分支的决策。我们进一步展示了如何使用这种方法来分别为这个标签树中的每个分支建模不确定性。我们的方法超过了平面不确定性方法的性能,同时还提供了分解的不确定性估计,使我们能够获得自洽的包裹和不确定性地图在任何级别的标签层次结构。我们展示了一种简单的方法,这些决策特定的不确定性地图可以用来提供不确定性阈值的组织地图在任何级别的标签树。
2020-09-16 cs.CV
Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection
Institute of Information Engineering, CAS(中国科学院信息工程研究所);University of Chinese Academy of Sciences(中国科学院大学);Australian Institute for Machine Learning, The University of Adelaide(阿德莱德大学澳大利亚机器学习研究所);Institute of Computing Technology, CAS(中国科学院计算技术研究所);Peng Cheng Laboratory(鹏城实验室);University of California, Merced(加州大学默塞德分校)
弱监督视频异常检测旨在仅使用视频级标签来识别视频中的异常事件。最近,两阶段的自训练方法已经取得了显着的改进,通过自生成的伪标签和自精炼的异常分数与这些标签。由于伪标签起着至关重要的作用,我们提出了一个增强框架,利用完整性和不确定性属性进行有效的自我训练。具体来说,我们首先设计了一个多头分类模块(每个头作为一个分类器)的多样性损失,以最大限度地提高预测的伪标签的分布差异头。这鼓励生成的伪标签覆盖尽可能多的异常事件。然后,我们设计了一个迭代的不确定性伪标签细化策略,它不仅提高了初始的伪标签,但也更新所需的分类器在第二阶段获得的。大量的实验结果表明,该方法在UCF-Crime,EQUIPMENT和XD-Violence基准数据集上表现良好。
2022-12-08 cs.CV
Uncertainty-aware Mean Teacher for Source-free Unsupervised Domain Adaptive 3D Object Detection
Johns Hopkins University(约翰斯·霍普金斯大学)
基于伪标记的自训练方法是一种流行的无源无监督领域自适应方法。然而,它们的有效性取决于源训练模型生成的标签的质量。这些标签可能是不正确的高置信度,使阈值方法无效。为了避免标签噪声引起的错误,我们提出了一个不确定性感知的平均教师框架,该框架在训练过程中隐式过滤不正确的伪标签。利用模型的不确定性,平均教师网络可以通过降低对应于不确定伪标签的损失的权重来执行隐式过滤。有效地,我们对伪标记数据进行自动软采样,同时对齐来自学生和教师网络的预测。我们证明了我们的方法在几个领域自适应方案,从跨数据集跨天气条件,并实现国家的最先进的性能,在这些情况下,在KITTI激光雷达目标数据集。
2021-09-29 cs.CV
Uncertainty-aware Label Distribution Learning for Facial Expression Recognition
University of Science(科学大学);Vietnam National University, Ho Chi Minh City(胡志明市越南国家大学);AIOZ;FPT Software AI Center(FPT软件人工智能中心);University of Liverpool(利物浦大学)
尽管在过去几年中取得了重大进展,但模糊性仍然是面部表情识别(FER)的一个关键挑战。它可能导致噪声和不一致的注释,这会阻碍深度学习模型在现实场景中的性能。在本文中,我们提出了一种新的不确定性感知标签分布学习方法,以提高深度模型对不确定性和模糊性的鲁棒性。我们利用邻域信息的效价唤醒空间自适应地构建情感分布的训练样本。我们还考虑了将它们纳入标签分布时所提供的标签的不确定性。我们的方法可以很容易地集成到深度网络中,以获得更多的训练监督并提高识别精度。在各种噪声和模糊设置下对几个数据集进行的密集实验表明,我们的方法取得了有竞争力的结果,并优于最近的最先进的方法。我们的代码和模型可以在https://github.com/minhnhatvt/label-distribution-learning-fer-tf上找到。
2022-09-21 cs.CV
UAV-based Autonomous Image Acquisition with Multi-View Stereo Quality Assurance by Confidence Prediction
Institute for Computer Graphics and Vision, Graz University of Technology(格拉茨工业大学计算机图形与视觉研究所);OMICRON electronics GmbH(奥米克龙电子有限公司)
在本文中,我们提出了一个自主的系统,用于获取近距离高分辨率图像,最大限度地提高质量的覆盖范围,地面分辨率和3D不确定性方面的后期3D重建。与以前的工作相比,我们的系统使用已经获得的图像来预测的密集多视图立体视觉的方法,而不执行它的输出的信心。这种信心编码相对于所观察到的场景和潜在的相机星座的成功重建的可能性。我们的预测模块是实时运行的,可以在没有任何外部记录的基础事实的情况下进行训练。我们使用的置信度预测现场质量保证和规划进一步的意见,是针对一个特定的多视图立体视觉的方法相对于给定的场景。我们展示了我们的方法与自主无人机(UAV)在具有挑战性的户外场景的能力。
2016-05-06 cs.CV cs.RO
Perturb-and-MPM: Quantifying Segmentation Uncertainty in Dense Multi-Label CRFs
University of Bern(伯尔尼大学);University Hospital and University of Bern(伯尔尼大学医院和伯尔尼大学)
提出了一种稠密条件随机场不确定性量化的新方法。所提出的方法,称为扰动和MPM,使有效的,近似采样密集的多标签CRF通过随机扰动。进行了分析误差分析,确定了近似误差的主要原因,以及显示的错误是有界的。空间不确定性图可以从扰动和MPM模型中导出,其可以用于可视化图像分割结果中的不确定性。该方法在合成和临床磁共振成像数据上进行了验证。该方法的有效性证明了具有挑战性的问题,在胶质母细胞瘤的肿瘤核心分割。我们发现,高不确定性的区域对应错误分割的图像区域。此外,我们证明了不确定性地图的潜在用途,以改善脑肿瘤患者的切除范围和残留肿瘤体积的情况下的成像生物标志物。
2017-03-02 cs.CV
Improving Camouflaged Object Detection with the Uncertainty of Pseudo-edge Labels
The University of Tokyo(东京大学);National Institute of Informatics(国立信息学研究所)
本文主要研究隐藏目标检测(COD),即检测隐藏在背景中的目标。目前的COD模型大多是直接突出目标物体,但输出的模糊图像边界。另一方面,考虑边缘信息的模型的性能还不令人满意。为此,我们提出了一个新的框架,充分利用多种视觉线索,即,显著性以及边缘,以细化预测的图像映射。这一框架包括三个主要组成部分,即:伪边缘生成器、伪地图生成器和不确定性感知细化模块。具体地,伪边缘生成器估计输出伪边缘标签的边界,并且传统的COD方法用作输出伪地图标签的伪地图生成器。然后,我们提出了一个基于不确定性的模块,以减少这样的两个伪标签的不确定性和噪声,这两个伪标签作为输入,并输出一个边缘准确的地图。在各种COD数据集上的实验表明,该方法的有效性优于现有的最先进的方法。
2021-10-29 cs.CV
Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain Adaptive Semantic Segmentation
University of Technology Sydney(悉尼科技大学);Australian Artificial Intelligence Institute (AAII)(澳大利亚人工智能研究所 (AAII))
本文主要研究在语义分割的背景下,将知识从源领域转移到目标领域的无监督领域自适应。现有的方法通常将伪标签作为基础事实,以充分利用未标记的目标域数据。然而,目标域数据的伪标签通常由在源域上训练的模型预测。因此,由于训练域和测试域之间的差异,生成的标签不可避免地包含不正确的预测,这可能会转移到最终的自适应模型,并在很大程度上损害了训练过程。为了克服这个问题,本文提出在训练过程中显式地估计预测不确定性,以纠正用于无监督语义分割适应的伪标签学习。给定输入图像,模型输出语义分割预测以及预测的不确定性。具体来说,我们通过预测方差对不确定性进行建模,并将不确定性纳入优化目标。为了验证所提出的方法的有效性,我们评估了两个流行的合成到真实的语义分割基准,即,GTA 5-> Cityscapes和SYNTHIA -> Cityscapes,以及一个跨城市基准,即城市景观->牛津机器人汽车。我们通过大量的实验证明,所提出的方法(1)根据预测方差动态设置不同的置信阈值,(2)纠正了从噪声伪标签中学习,(3)实现了对传统伪标签学习的显着改进,并在所有三个基准测试中产生了有竞争力的性能。
2020-10-15 cs.CV
Label uncertainty-guided multi-stream model for disease screening
Zhongshan Ophthalmic Center, Sun Yat-sen University(中山大学中山眼科中心);Monash eResearch Centre, Monash University(蒙纳士大学电子研究中心);Centre for Eye Research, Melbourne University(墨尔本大学眼科研究中心)
医学图像数据集的疾病严重程度的注释通常依赖于来自多个人类分级者的协作决策。个体差异导致的观察者内变异性始终存在于这一过程中,但其影响往往被低估。在本文中,我们将观察者内变异性视为一个不确定性问题,并将标签不确定性信息作为指导纳入疾病筛查模型,以改善最终决策。其主要思想是根据图像的不确定性信息将图像分为简单和困难两种情况,然后开发一个多流网络来分别处理不同的情况。特别地,对于困难的情况,我们加强了网络捕捉正确疾病特征和抵抗不确定性干扰的能力。基于眼底图像的青光眼筛查案例研究的实验表明,该模型优于几个基线,特别是在筛选困难的情况下。
2022-01-28 cs.CV
Beyond Performance Metrics: Uncertainty Mapping of Label Ambiguity in Fazekas Score Prediction
University of Calgary(卡尔加里大学);Schulich School of Engineering(舒利希工程学院);Hotchkiss Brain Institute(霍奇基斯脑研究所);Department of Radiology and Clinical Neurosciences(放射学与临床神经科学系);Calgary Image Processing and Analysis Centre(卡尔加里图像处理与分析中心);Seaman Family MR Research Centre(西曼家族磁共振研究中心)
本研究提出不确定性映射框架,将Fazekas评分预测模型的不确定性与特征表示位置关联,揭示类边界模糊区域和标签不一致,支持模型解释与数据集审查。
2026-09-17 cs.CV
Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-Identification
Beijing National Research Center for Information Science and Technology (BNRist)(北京信息科学与技术国家研究中心(BNRist));Tsinghua University(清华大学)
基于无监督域自适应(UDA)的人员重新识别(ReID)减少了详尽的注释。然而,由于不理想的特征嵌入和不完美的聚类,伪标签的目标领域数据固有地包含一个未知的比例错误的,这将误导特征学习。在本文中,我们提出了一种方法命名为概率不确定性引导渐进标签精炼(P $^2$ LR)的领域自适应的人重新识别。首先,我们建议用概率距离和理想的单峰分布来模拟标签的不确定性。建立了一个量化的标准来衡量伪标签的不确定性,以方便网络的训练。其次,我们探索了一种渐进的策略来细化伪标签。通过不确定性引导的替代优化,我们在目标域数据的探索和噪声标记的负面影响之间取得了平衡。在强大的基线之上,我们获得了显着的改进,并在四个UDA ReID基准上实现了最先进的性能。具体来说,我们的方法在Duke2Market任务上的表现优于基线6.5%mAP,而在Market2MSMT任务上的表现则超过了最先进的方法2.5%mAP。
2022-04-28 cs.CV
Uncertainty-Aware Label Refinement on Hypergraphs for Personalized Federated Facial Expression Recognition
Xiamen University(厦门大学);University College London(伦敦大学学院)
本文提出AMY方法,通过超图建模表情样本高阶关系,在个性化联邦学习框架下进行不确定性估计与标签传播精化,以缓解客户端间样本不确定性差异,提升个性化面部表情识别性能。
2025-01-03 cs.CV
Uncertainty-Aware Pseudo-Label Filtering for Source-Free Unsupervised Domain Adaptation
Harbin Institute of Technology(哈尔滨工业大学);University of Surrey(萨里大学)
提出不确定性感知伪标签过滤适应方法,通过自适应样本选择和类感知对比学习,在无源无监督域适应中有效过滤噪声伪标签,性能与最先进方法相当。
2024-03-17 cs.CV
Digging Into Uncertainty-based Pseudo-label for Robust Stereo Matching
Baidu Research(百度研究院);Northwestern Polytechnical University(西北工业大学)
针对立体匹配的跨数据集泛化差和真值数据获取难问题,提出利用像素级和区域级不确定性估计自适应调整视差搜索空间并生成稀疏伪标签,在跨域泛化上取得第一名,且可无监督扩展至单目深度估计。
2023-07-31 cs.CV
Bidirectional Uncertainty-Aware Region Learning for Semi-Supervised Medical Image Segmentation
Key Laboratory of Intelligent Computing \& Signal Processing (ICSP), Ministry of Education, School of Artificial Intelligence, Anhui Uniersity, Hefei, 230601, China;Anhui Provincial Key Laboratory of Multimodal Cognitive Computation, School of Computer Science;Technology, Anhui University, Hefei, 230601, China;Institute of Artificial Intelligence, Hefei Comprehensive National Science Center, Hefei, 230026, China
针对半监督医学图像分割中错误伪标签集中于高不确定性区域的问题,提出双向不确定性感知区域学习策略,分别利用标记数据监督高不确定性区域、在未标记数据上聚焦低不确定性区域,显著提升分割性能。
2025-09-29 cs.CV
Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning
Sun Yat-sen University(中山大学);ByteDance Inc.(字节跳动公司);Shenzhen Research Institute of Big Data(深圳大数据研究院)
深度学习的最新进展显著提高了显著目标检测(SOD)的性能,但代价是标记更大规模的每像素注释。为了减轻劳动密集型标记的负担,已经提出了深度无监督SOD方法来利用手工显着性方法生成的噪声标签。然而,从粗糙的噪声标签中学习精确的显著性细节仍然是困难的。在本文中,我们建议从合成但干净的标签中学习显着性,这自然具有更高的像素标记质量,而无需手动注释。具体来说,我们首先通过一个简单的复制粘贴策略构建一个新的合成SOD数据集。考虑到合成场景和真实场景之间存在较大的外观差异,直接使用合成数据进行训练将导致真实场景的性能下降。为了解决这个问题,我们提出了一种新的无监督域自适应SOD方法,通过不确定性感知的自训练来适应这两个域之间的关系。实验结果表明,我们提出的方法在几个基准数据集上的性能优于现有的最先进的深度无监督SOD方法,甚至可以与完全监督的方法相媲美。
2022-02-26 cs.CV
Self-Paced Uncertainty Estimation for One-shot Person Re-Identification
Beijing Institute of Technology(北京理工大学)
在构建从$X$到$Y$的预测模型时,一次性人员重新识别场景面临两种不确定性。第一个是模型不确定性,由于缺乏训练数据,它会捕获DNN中参数的噪声。第二种是数据不确定性,它可以分为两个子类型:一种是图像噪声,其中严重的遮挡和复杂的背景包含与身份无关的信息;另一种是标签噪声,其中错误标记影响视觉外观学习。针对这些问题,本文提出了一种新的用于one-shot Person Re-ID的自步调不确定性估计网络(SPUE-Net),通过引入自步调采样策略,该方法可以迭代地估计未标记样本的伪标签,从而逐渐扩展标记样本,消除模型的不确定性,而无需额外的监督。我们将伪标签样本分成两个子集,使训练样本的使用更加合理和有效。此外,本文采用局部不确定性估计与确定性估计相结合的协同学习方法,实现了更好的隐藏空间特征挖掘,提高了伪标记样本选取的精度,降低了数据的不确定性。基于视频和图像的数据集上的广泛的比较评估实验表明,SPUE-Net具有显着的优势,比国家的最先进的方法。
2021-04-19 cs.CV
Semi-Supervised Object Detection with Object-wise Contrastive Learning and Regression Uncertainty
KAIST(韩国科学技术院);The University of Sheffield(谢菲尔德大学);Imperial College London(帝国理工学院)
半监督目标检测(SSOD)旨在通过利用额外的未标记数据来提高检测性能。教师-学生框架已被证明对SSOD很有前途,其中教师网络为未标记的数据生成伪标签,以帮助训练学生网络。由于伪标签是嘈杂的,过滤伪标签是至关重要的,以利用这种框架的潜力。与现有的次优方法不同,我们提出了一个两步的伪标签过滤的分类和回归头在教师和学生的框架。对于分类头,OCL(Object-wise对比学习)通过提高分类分数的区分度来正则化利用未标记数据的对象表示学习以改进伪标记过滤。这被设计为将同一个类中的对象拉到一起,并将不同类中的对象推开。对于回归头,我们进一步提出了RUPL(回归不确定性引导的伪标签)来学习标签过滤对象定位的任意不确定性。通过联合过滤分类头和回归头的伪标签,学生网络从教师网络获得更好的指导,以执行目标检测任务。在Pascal VOC和MS-COCO数据集上的实验结果表明,与现有方法相比,该方法具有很好的性能。
2022-12-06 cs.CV
Uncertainty and Energy based Loss Guided Semi-Supervised Semantic Segmentation
Indian Institute of Science Education and Research Bhopal(印度科学教育与研究学院博帕尔分校)
本文提出在半监督语义分割的交并伪监督网络中引入任意不确定性与基于能量的损失,利用逐像素方差和生成建模提升分割性能,并通过实验验证其优于现有方法。
2025-01-03 cs.CV
GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation
The Chinese University of Hong Kong(香港中文大学);City University of Hong Kong(香港城市大学)
本文提出基于条件变分自编码器的GLENet框架,通过生成3D边界框标签不确定性并结合不确定性感知质量估计,持续提升多种3D检测器在KITTI和Waymo上的性能。
2024-07-08 cs.CV
Semi-Supervised Deep Regression with Uncertainty Consistency and Variational Model Ensembling via Bayesian Neural Networks
The Hong Kong University of Science and Technology(香港科技大学)
深度回归是一个重要的问题,有许多应用。这些任务的范围从计算机视觉任务(如根据照片进行年龄估计)到医疗任务(如根据超声心动图进行射血分数估计以进行疾病跟踪)。然而,与分类和分割任务相比,深度回归的半监督方法显然还没有得到充分的探索。与依赖阈值函数生成类伪标签的分类任务不同,回归任务直接使用实数目标预测作为伪标签,使其对预测质量更敏感。在这项工作中,我们提出了一种新的半监督回归方法,即不确定性一致变分模型集成(UCVME),它通过为异方差回归生成高质量的伪标签和不确定性估计来改进训练。考虑到任意不确定性根据定义只依赖于输入数据,并且对于相同的输入应该是相等的,我们提出了一种新的共同训练模型的不确定性一致性损失。我们的一致性损失显着提高了不确定性估计,并允许更高质量的伪标签在异方差回归下被赋予更大的重要性。此外,我们引入了一种新的变分模型集成方法,以减少预测噪声,并产生更强大的伪标签。我们分析表明,我们的方法为未标记的数据生成了更高质量的目标,并进一步改进了训练。实验表明,我们的方法在不同的任务上优于最先进的替代方案,并且可以与使用完整标签的监督方法竞争。我们的代码可在https://github.com/xmed-lab/UCVME上获得。
2023-02-15 cs.CV
Multidimensional Belief Quantification for Label-Efficient Meta-Learning
Rochester Institute of Technology(罗切斯特理工学院)
基于优化的元学习为少样本学习提供了一个有前途的方向,这对于许多现实世界的计算机视觉应用是必不可少的。然而,从少量样本中学习会引入不确定性,并且量化Few-Shot预测的模型置信度对于许多关键领域至关重要。此外,Meta训练中使用的Few-Shot任务通常从任务分布中随机采样以用于迭代模型更新,导致元训练中的高标记成本和计算开销。提出了一种新的标签有效元学习的不确定性感知任务选择模型。该模型建立了一个多维的信念测度,它可以量化已知的不确定性和下限的未知的不确定性的任何给定的任务。我们的理论结果建立了冲突信念和不正确信念之间的重要关系。理论结果允许我们估计任务的总不确定性,这为任务选择提供了原则性标准。一种新的多查询任务制定进一步发展,以提高元学习的计算和标记效率。在多个真实世界的Few-Shot图像分类任务上进行的实验证明了该模型的有效性。
2022-03-23 cs.CV
Pseudo-D: Informing Multi-View Uncertainty Estimation with Calibrated Neural Training Dynamics
Department of Electrical and Computer Engineering, University of British Columbia, Vancouver, Canada(电气与计算机工程系,不列颠哥伦比亚大学,温哥华,加拿大);Division of Cardiology, Vancouver General Hospital, Vancouver, Canada(心血管科,温哥华总医院,温哥华,加拿大)
提出一种利用神经网络训练动力学生成不确定性感知伪标签的架构无关框架,有效提升了医学图像分类中的不确定性估计与鲁棒性。
2025-09-15 cs.CV
Expert-aware uncertainty estimation for quality control of neural-based blood typing
Institute for Information Transmission Problems(信息传输问题研究所);Moscow Institute of Physics and Technology(莫斯科物理技术学院);The Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);AIRI(AIRI(人工智能研究机构))
针对医学诊断中神经网络模型不确定性估计缺乏难度标签的问题,提出整合专家复杂性评分的方法,在血型鉴定数据集上实现不确定性预测2.5倍改进和35%性能提升。
2024-07-15 cs.CV
QANet -- Quality Assurance Network for Image Segmentation
Ben Gurion University of the Negev(内盖夫本-古里安大学);Zlotowski Center for Neuroscience(兹洛托夫斯基神经科学中心)
我们引入了一个新的深度学习框架,该框架可以定量估计图像分割质量,而无需人工检查或标记。我们将这种方法称为质量保证网络(QANet)。具体而言,给定图像和通过包括手动注释的任何方法获得的"建议"对应分割,QANet解决回归问题,以便相对于未知的地面真实估计预定义的质量度量。QANet绝不是另一种分割方法。相反,它基于一种独特的网络架构(称为RibCage)对图像分割对进行多层次、多特征的比较。为了证明QANet的实力,我们使用来自不同领域的两个不同数据集,即来自细胞分割基准的高通量活细胞显微镜图像和来自叶分割挑战的植物自然图像,对实例分割进行了评估。虽然合成的分割被用于训练QANet,但它是在通过参与不同挑战的公开可用方法获得的分割上进行测试的。我们表明,QANet准确地估计了评估分割的分数相对于隐藏的地面真相,由挑战的组织者公布。代码可在:TBD。
2019-11-05 cs.AI cs.CV cs.LG
Labels Are Not Perfect: Improving Probabilistic Object Detection via Label Uncertainty
Corporate Research, Robert Bosch GmbH(罗伯特·博世公司企业研究部);Institute of Measurement, Control and Microtechnology, Ulm University(乌尔姆大学测量、控制与微技术研究所)
可靠的不确定性估计对于自主驾驶中的鲁棒目标检测至关重要。然而,以前的工作概率目标检测要么学习预测概率限界框回归在无监督的方式,或使用简单的算法来做不确定性正则化。这导致不稳定的训练或次优的检测性能。在这项工作中,我们利用我们以前提出的方法估计固有的不确定性地面真理限界框参数(我们称之为标签的不确定性),以提高检测精度的概率激光雷达为基础的对象检测器。在KITTI数据集上的实验结果表明,我们的方法在平均精度方面超过了基线模型和基于简单几何学的模型,最高可达3.6%。
2020-08-10 cs.CV cs.LG
On the Ramifications of Human Label Uncertainty
Georgia Institute of Technology(佐治亚理工学院)
人类在数据标记过程中表现出不一致。我们把这种分歧称为人类标签的不确定性。在这项工作中,我们研究了人类标签不确定性(HLU)的后果。我们现有的不确定性估计算法的评估,与HLU的存在,表明现有的不确定性度量和算法本身的局限性,在响应HLU。与此同时,我们观察到预测不确定性和概括性的不当影响。为了减轻不必要的影响,我们引入了一种新的自然场景统计(NSS)的标签稀释训练计划,而不需要大量的人类标签。具体来说,我们首先选择一个子集的样本与低感知质量的统计排名的图像。然后,我们为该子集中的每个样本分配单独的标签,以获得具有稀释标签的训练集。我们的实验和分析表明,基于NSS的标签稀释训练消除了HLU造成的不当影响。
2022-11-10 cs.AI cs.CV cs.LG
Perceptual Quality-based Model Training under Annotator Label Uncertainty
Georgia Institute of Technology(佐治亚理工学院);Center for Energy and Geo Processing (CeGP)(能源与地球处理中心);School of Electrical and Computer Engineering(电气与计算机工程学院)
针对标注者标签不确定性导致模型性能下降的问题,提出基于感知质量的训练框架,通过选取低质量样本并生成多标签,缓解泛化与预测不确定性退化。
2024-03-15 cs.AI cs.CV cs.LG
Uncertainty-based method for improving poorly labeled segmentation datasets
Philips AI Research(飞利浦人工智能研究院)
用于图像分割的现代深度学习算法的成功在很大程度上取决于具有干净像素级注释(掩模)的大型数据集的可用性,其中感兴趣的对象被准确地描绘出来。在数据注释过程中缺乏时间和专业知识会导致不正确的边界和标签噪音。众所周知,深度卷积神经网络(DCNN)甚至可以记住完全随机的标签,导致准确性差。我们提出了一个框架,训练二进制分割DCNN使用不可靠的像素级注释集。错误标记的像素被识别的基础上估计的任意不确定性的分割,并重新标记为真值。
2021-02-16 cs.AI cs.CV
That Label's Got Style: Handling Label Style Bias for Uncertain Image Segmentation
Technical University of Denmark(丹麦技术大学)
分割不确定性模型预测给定输入的合理分割的分布,它们从训练集中的注释器变化中学习。然而,在实践中,这些注释可以在它们的生成方式上系统地不同,例如通过使用不同的标记工具。这将导致数据集既包含数据可变性又包含不同的标签样式。在本文中,我们证明了在这些数据集上应用最先进的分割不确定性模型可能会导致由不同标签风格引起的模型偏差。我们提出了一个更新的建模客观条件的标签风格任意不确定性估计,并相应地修改两个国家的最先进的架构分割不确定性。我们通过大量的实验表明,该方法减少了标签风格偏差,同时提高了分割性能,增加了分割不确定性模型在野外的适用性。我们策划了两个数据集,带有不同标签样式的注释,我们将在发布时将其与我们的代码一起公开。
2023-03-28 cs.CV cs.LG
Automated Detection of Label Errors in Semantic Segmentation Datasets via Deep Learning and Uncertainty Quantification
University of Wuppertal(伍珀塔尔大学)
首次提出基于深度学习和分量级不确定性量化的方法,用于检测语义分割数据集中的像素级标签错误,并能有效控制误检率。
2024-08-23 cs.CV cs.LG
Labels Are Not Perfect: Inferring Spatial Uncertainty in Object Detection
University of California, Berkeley(加州大学伯克利分校);Ulm University(乌尔姆大学);Robert Bosch GmbH(罗伯特·博世有限公司)
许多真实世界驾驶数据集的可用性是自动驾驶中目标检测算法最近取得进展的关键原因。然而,由于容易出错的标注过程或传感器观测噪声,对象标签存在歧义甚至失败。当前公开的目标检测数据集只提供确定性的对象标签,而不考虑其固有的不确定性,对象检测器的常见训练过程或评估度量也是如此。因此,在不同的目标检测方法之间进行深入评估仍然具有挑战性,并且目标检测器的训练过程是次优的,特别是在概率目标检测中。在这项工作中,我们推断的不确定性限界框标签从激光雷达点云生成模型的基础上,并定义了一个新的表示的概率限界框通过空间不确定性分布。综合实验结果表明,该模型能较好地反映LiDAR感知中的复杂环境噪声和标签质量。此外,我们提出了Jaccard IoU(JIOU)作为一个新的评估指标,通过将标签的不确定性扩展IoU。我们使用JIOU度量对几种基于LiDAR的物体检测器进行了深入的比较。最后,我们将建议的标签不确定性的损失函数训练的概率对象检测器,提高其检测精度。我们在两个公共数据集(KITTI,Waymo)以及模拟数据上验证了我们提出的方法。代码发布于https://bit.ly/2W534yo。
2020-12-18 cs.CV cs.RO
Suppressing Uncertainty in Gaze Estimation
Beijing Jiaotong University(北京交通大学)
针对凝视估计中低质量图像和错误标签带来的不确定性,本文提出SUGE方法,利用三元组标签一致性度量估计并降低不确定性,通过样本加权和标签校正策略,在基准上取得最优性能。
2024-12-17 cs.CV cs.LG
In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning
Center for Research in Computer Vision(计算机视觉研究中心);University of Central Florida(中佛罗里达大学)
目前半监督学习的研究主要集中在基于一致性正则化的学习方法上,这些方法具有很好的性能。然而,它们严重依赖于特定领域的数据增强,这并不容易为所有数据模式生成。伪标记(PL)是一种通用的SSL方法,它没有这种约束,但在其原始公式中表现相对较差。我们认为PL表现不佳是由于校准不良的模型的错误高置信度预测;这些预测生成许多不正确的伪标签,导致噪声训练。我们提出了一个不确定性感知的伪标签选择(UPS)框架,通过大幅减少训练过程中遇到的噪声量来提高伪标签的准确性。此外,UPS概括了伪标签过程,允许创建负伪标签;这些负伪标签可用于多标签分类以及负学习以改进单标签分类。与最近的SSL方法相比,我们在CIFAR-10和CIFAR-100数据集上实现了强大的性能。此外,我们证明了我们的方法在视频数据集UCF-101和多标签数据集Pascal VOC上的多功能性。
2021-04-19 cs.CV cs.LG
Going Beyond One-Hot Encoding in Classification: Can Human Uncertainty Improve Model Performance?
German Aerospace Center(德国航空航天中心);Technical University of Munich(慕尼黑工业大学);LMU Munich(慕尼黑大学)
技术和计算的进步不断推动着深度学习这一广阔领域的发展。近年来,描述预测中不确定性的量的推导--这自然伴随着建模过程--引发了深度学习社区的普遍兴趣。在机器学习环境中经常被忽视的是影响众多标签过程的人类不确定性。作为这项工作的核心,标签的不确定性是明确地嵌入到训练过程中通过分布标签。我们证明了我们的方法的有效性图像分类与遥感数据集,包含多个标签投票的领域专家为每个图像:标签的不确定性的纳入有助于模型更好地概括看不见的数据,并提高模型的性能。与现有的校准方法类似,分布标签导致更好的校准概率,从而产生更确定和更可信的预测。
2022-05-30 cs.CV cs.LG
Improving group robustness under noisy labels using predictive uncertainty
Deargen Inc.(Deargen公司);Deargen USA Inc.(Deargen美国公司)
标准的经验风险最小化(ERM)在某些少数群体(即,由于输入与其标签之间的虚假相关性,陆地上的水鸟或水中的陆地鸟类)。一些研究通过关注高损失样本来提高最差组的准确性。这背后的假设是这样的高损耗样本是\textit{spurious-cue-free}(SCF)样本。然而,这些方法可能是有问题的,因为高损失样本也可能是现实世界场景中具有噪声标签的样本。为了解决这个问题,我们利用模型的预测不确定性来提高噪声标签下的最差组准确度。为了激励这一点,我们从理论上表明,高不确定性的样本是SCF样本的二进制分类问题。这一理论结果意味着,预测的不确定性是一个足够的指标,以确定SCF样品在嘈杂的标签设置。基于此,我们提出了一种新的基于熵的去偏(END)框架,该框架可以防止模型学习虚假线索,同时对噪声标签具有鲁棒性。在END框架中,我们首先训练\textit{identification model}以使用其预测不确定性从训练集中获得SCF样本。然后,在用过采样SCF集扩充的数据集上训练另一个模型。实验结果表明,我们的END框架优于其他强基线的几个现实世界的基准,同时考虑嘈杂的标签和虚假线索。
2022-12-14 cs.CV cs.LG
Learning to estimate label uncertainty for automatic radiology report parsing
Enlitic Inc(Enlitic公司)
从放射学报告引导标签已成为可扩展的替代方案,为医学成像提供廉价的基础事实。由于领域特定的性质,最先进的报告标签工具主要是基于规则的。然而,这些工具通常产生二进制0或1预测,指示异常的存在或不存在。然后,这些硬目标被用作地面实况,以在下游训练图像模型,迫使模型即使在特异性低的情况下也能表达高度的确定性。这可能会对图像模型的统计效率产生负面影响。我们通过训练双向长短期记忆网络来解决这个问题,以增强来自所有身体区域的X射线报告的基于统计学的离散标签,并实现与特定领域NLP相当或更好的性能,但具有额外的不确定性估计,从而实现更精细的下游图像模型训练。
2019-10-01 cs.CL cs.CV
Robust and Discriminative Labeling for Multi-label Active Learning Based on Maximum Correntropy Criterion
Wuhan University(武汉大学);University of Sydney(悉尼大学)
多标签学习在许多现实世界的应用中引起了极大的兴趣。由oracle为一个实例分配多个标签是一项代价很高的任务。同时,如果不诊断有区别的标签,也很难建立一个好的模型。我们能否降低标签成本并提高同时训练多标签学习的良好模型的能力?主动学习通过查询最有价值的样本来解决训练样本较少的问题,从而以较小的代价获得更好的性能。在多标签主动学习中,人们研究了用较少的训练样本查询相关标签,或者在不诊断判别信息的情况下查询所有标签。它们都不能有效地处理测量不确定度的离群值标签。最大相关熵准则(MCC)为许多机器学习和数据采掘算法中的离群点提供了鲁棒性分析,本文将不确定性和代表性融合在一起,推导出基于MCC的鲁棒多标记主动学习算法,并提出了一种高效的交替优化方法来求解该算法。我们的方法可以消除不具有区分性的离群值标签对测量不确定度的影响。为了进一步提高信息度量的能力,我们将不确定性和代表性与未知数据的预测标签相融合。它不仅可以增强不确定性,而且可以提高多标签数据的标签信息的相似性度量。在基准多标签数据集上的实验表明,该方法的性能优于现有的方法。
2019-04-14 cs.CV cs.LG
Self-Loop Uncertainty: A Novel Pseudo-Label for Semi-Supervised Medical Image Segmentation
Tencent Jarvis Lab(腾讯嘉里实验室)
随着深度学习神经网络在自然图像处理中的成功,越来越多的研究提出了开发基于深度学习的医学图像分割框架。然而,由于医学图像的逐像素注释是费力且昂贵的,因此注释数据的量通常不足以很好地训练神经网络。本文提出了一种半监督的方法来训练具有有限标记数据和大量未标记图像的神经网络用于医学图像分割。一种新的伪标签(即自循环不确定性),通过循环优化的神经网络与自我监督的任务,被采用作为地面真理的未标记的图像,以增加训练集,提高分割精度。提出的自循环不确定性可以被视为通过集成多个模型产生的不确定性估计的近似,从而显着减少推理时间。在两个公开数据集上的实验结果证明了半监督方法的有效性。
2020-07-20 cs.CV eess.IV
ULTRA: Uncertainty-aware Label Distribution Learning for Breast Tumor Cellularity Assessment
Harbin Institute of Technology(哈尔滨工业大学);Western University(韦仕敦大学)
乳腺癌的新辅助治疗(NAT)是临床实践中常见的治疗选择。肿瘤细胞数(TC),代表了肿瘤床中浸润性肿瘤的百分比,已被广泛用于量化乳腺癌对NAT的反应。因此,自动TC估计在临床实践中具有重要意义。然而,现有的最先进的方法通常把它作为一个TC评分回归问题,忽略了主观评价或多个评分者造成的TC标签的模糊性。在本文中,有效地利用标签的歧义,我们提出了一个不确定性感知标签分布学习(ULTRA)框架自动TC估计。所提出的ULTRA首先将单值TC标签转换为离散标签分布,这有效地模拟了所有可能的TC标签之间的模糊性。此外,该网络通过最小化预测和地面真实TC标签分布之间的Kullback-Leibler(KL)分歧来学习TC标签分布,从而更好地监督模型以利用TC标签的模糊性。此外,ULTRA通过多分支特征融合模块模拟临床实践中的多评估者融合过程,以进一步探索TC标签的不确定性。我们在公共BreastPathQ数据集上评估了ULTRA。实验结果表明,ULTRA的性能优于基于回归的方法为一个大的利润率,并取得了国家的最先进的结果。代码可从https://github.com/PerceptionComputingLab/ULTRA获得
2022-06-14 cs.CV eess.IV
Uncertainty Based Detection and Relabeling of Noisy Image Labels
Bosch Center for Artificial Intelligence(博世人工智能中心);BCAI(博世人工智能中心);University of Ulm(乌尔姆大学)
深度神经网络(DNN)是计算机视觉任务中的强大工具。然而,在许多现实场景中,标签噪声在训练图像中普遍存在,对这些噪声标签的过拟合会严重损害DNN的泛化性能。我们提出了一种新的技术来识别带有噪声标签的数据,该技术基于DNN在干净数据和噪声数据上的预测不确定性的不同分布。此外,在训练过程中的不确定性行为有助于识别最适合用于重新标记噪声标签的网络权重。因此,可以在迭代过程中清理带有噪声标签的数据。我们所提出的方法可以很容易地实现,并显示出有前途的性能上的任务的噪声标签检测CIFAR-10和CIFAR-100。
2019-05-29 cs.CV cs.LG stat.ML
Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification
University of Science and Technology of China(中国科学技术大学);Microsoft Research Asia(微软亚洲研究院)
许多无监督域自适应(UDA)人员重新识别(ReID)方法将基于聚类的伪标签预测与特征微调相结合。然而,由于域间隙,伪标签并不总是可靠的,并且存在噪声/不正确的标签。这会误导特征表示学习并降低性能。在本文中,我们提出了估计和利用每个样本的分配的伪标签的可信度,以减轻噪声标签的影响,通过抑制噪声样本的贡献。我们使用平均教师方法以及额外的对比损失来构建我们的基线框架。我们已经观察到,通过聚类具有错误伪标签的样本通常在平均教师模型和学生模型的输出之间具有较弱的一致性。基于这一发现,我们建议利用不确定性(通过一致性水平测量)来评估样本伪标签的可靠性,并将不确定性重新加权其在各种ReID损失中的贡献,包括每个样本的身份(ID)分类损失,三重损失和对比损失。我们的不确定性引导优化带来了显着的改进,并在基准数据集上实现了最先进的性能。
2020-12-17 cs.AI cs.CV
FUNAvg: Federated Uncertainty Weighted Averaging for Datasets with Diverse Labels
Heidelberg University Hospital(海德堡大学医院);Informatics for Life Institute(生命信息学研究所);Ruprecht-Karls University Heidelberg(海德堡鲁普雷希特-卡尔斯大学);DZHK (German Centre for Cardiovascular Research)(德国心血管研究中心);University of Zurich(苏黎世大学);Mannheim University of Applied Sciences(曼海姆应用技术大学)
针对联邦学习中客户端标签类别异构的部分标注问题,提出FUNAvg方法,通过贝叶斯技术挖掘分割头的预测不确定性,加权平均分布式分割头以分割局部未知结构,性能比肩同数据集训练的模型。
2024-07-10 cs.AI cs.CV
SAUGE: Taming SAM for Uncertainty-Aligned Multi-Granularity Edge Detection
School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机科学与工程学院);Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出SAUGE,利用SAM中间特征的多粒度特性,通过轻量模块回归不同层特征以对齐边缘标签的不确定性,实现灵活多粒度边缘检测,并在多个数据集上验证了优越性与泛化性。
2025-04-19 cs.AI cs.CV
Uncertainty-aware self-training with expectation maximization basis transformation
Dell Technologies(戴尔科技)
针对自训练中硬标签过度自信问题,提出结合模型与数据集不确定性的自训练框架,利用期望最大化平滑标签并设计基提取网络,在图像分类和语义分割上提升1-3个百分点。
2024-05-02 cs.AI cs.CV
From Registration Uncertainty to Segmentation Uncertainty
Johns Hopkins University(约翰斯·霍普金斯大学)
针对现有配准不确定性无法有效估计标签传播误差的问题,提出同时估计认知与偶然分割不确定性的框架,经公开数据集验证,其估计结果与标签传播误差相关性好且配准性能更优。
2024-03-08 cs.CV eess.IV
Semi-Supervised Multi-Organ Segmentation through Quality Assurance Supervision
Vanderbilt University(范德堡大学);Sigma Technologies(12西格玛技术公司);Vanderbilt University Medical Center(范德堡大学医学中心)
人在环质量保证(QA)通常在医学图像分割之后执行,以确保系统按预期执行,以及识别和排除离群值。通过对大规模的、先前未标记的测试数据进行QA,可以生成分类QA分数。在本文中,我们提出了一种半监督多器官分割深度神经网络,由传统的分割模型生成器和QA参与的神经网络组成。使用2027个体积的大规模数据集来训练生成器,其2-D蒙太奇图像和具有QA分数的分割掩模用于训练生成器。为了生成QA评分,手动审查了2-D导联图像,并编码为0(成功)、1(与已发表性能一致的错误)和2(严重失败)。然后,ResNet-18网络使用所有三个代码标签均匀分布的1623个蒙太奇图像进行训练,并在测试队列中保留404个蒙太奇图像的情况下实现了94%的分类预测准确度。为了评估使用QA监督的性能,在多器官分割流水线中使用损失函数。QA损失函数的纳入将未标记测试数据集的性能从基线模型的714例患者提高到951例患者。此外,失效数量从606例(29.90%)降至402例(19.83%)。所提出的方法的贡献是三方面的:我们证明了:(1)QA得分可以用作损失函数来对未标记数据进行半监督学习,(2)训练好的训练集可以通过QA得分而不是传统的真/假来学习,以及(3)在未标记数据集上的多器官分割的性能可以是精细的-与原始基线方法相比,该方法具有更强的鲁棒性和更高的精度。
2019-11-12 cs.CV cs.LG eess.IV
Different Corruptions, Different Signals: Uncertainty and Loss in Federated Data Quality
University of Glasgow(格拉斯哥大学)
本文在联邦学习中比较了输入条件不确定性与预测-标签损失两种损坏检测信号,发现标签翻转宜用损失检测,图像噪声宜用期望熵不确定性,强调信号需与损坏类型匹配。
2026-09-28 cs.AI cs.CV cs.LG
Handling Label Uncertainty on the Example of Automatic Detection of Shepherd's Crook RCA in Coronary CT Angiography
FAU Erlangen-Nürnberg(埃尔朗根-纽伦堡大学);Siemens Healthcare GmbH(西门子医疗有限公司);Das Radiologische Zentrum(放射学中心)
针对牧羊杖形右冠状动脉标注存在定性不确定性的问题,本文提出基于残差扩张卷积的一维CNN,并比较随机分配、排除、软标签及拒识策略,最佳AUC达0.938。
2023-05-22 cs.CV cs.LG eess.IV
On Modelling Label Uncertainty in Deep Neural Networks: Automatic Estimation of Intra-observer Variability in 2D Echocardiography Quality Assessment
The University of British Columbia(不列颠哥伦比亚大学);Vancouver General Hospital(温哥华综合医院)
由观察者内变异性导致的临床数据中标签的不确定性可能对深度神经网络进行的评估的可靠性产生直接影响。在本文中,我们提出了一种在二维超声心动图(回波)的背景下对这种不确定性进行建模的方法,这是一种在床旁检测心血管疾病的常规程序。回波成像质量和采集时间高度依赖于操作员的经验水平。最近的发展已经显示了通过经由深度学习技术将专家的质量评估映射到回波图像来自动化回波图像质量量化的可能性。然而,专家评估中的观察者可变性会影响质量量化准确性。在这里,我们的目标是建立模型的内部观察者的变化,回波质量评估作为一个任意的不确定性建模回归问题,引入了一种新的方法,处理与分类标签的回归问题。我们设计的一个关键特征是,只有一个前向传递足以估计网络输出的不确定性水平。与通过常规回归方法存档的$0.11 \pm 0.09$绝对误差(在从0到1的标度中)相比,所提出的方法将误差降低到$0.09 \pm 0.08$,其中改进具有统计学显著性并且等同于$5.7\%$测试准确度改进。所提出的方法的简单性意味着它可以推广到医学成像中深度学习的其他应用,其中临床标签通常存在不确定性。
2019-11-02 cs.CV cs.LG eess.IV