Inter- and intra-uncertainty based feature aggregation model for semi-supervised histopathology image segmentation
Northwestern Polytechnical University(西北工业大学);La Trobe University(拉筹伯大学);CSIRO Data61(联邦科学与工业研究组织数据61部);University of New South Wales(新南威尔士大学);Shandong University(山东大学);Tianjin University(天津大学)
针对半监督组织病理图像分割中标注稀缺问题,提出利用间与内不确定性正则化及两阶段伪掩码引导特征聚合网络(PG-FANet),在MoNuSeg和CRAG数据集上超越现有方法。
2024-03-19 cs.CV
Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching
Southeast University(东南大学);The University of Melbourne(墨尔本大学);Stanford University(斯坦福大学);National University of Singapore(新加坡国立大学);Imperial College London(伦敦帝国学院);Alibaba Group(阿里巴巴集团)
针对现有立体匹配研究中不确定性估计与分析不足、难以分解数据与模型两类不确定性的问题,提出基于贝叶斯风险的不确定性感知立体匹配框架,可高效准确估计两类不确定性且不降低视差预测精度。
2025-03-19 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 driven probabilistic voxel selection for image registration
McGill University(麦吉尔大学)
本文提出了一种新的概率体素选择策略,用于时间敏感背景下的医学图像配准,其目标是积极的体素采样(例如,使用不到总数的1%),同时保持配准精度和低故障率。我们开发了一个贝叶斯框架,其中,首先,体素采样概率场(VSPF)的基础上建立的不确定性的变换参数。然后,我们描述了一个实用的,多尺度配准算法,其中,在每次优化迭代,不同的体素子集的基础上采样的VSPF。该方法最大限度地提高准确性,而不承诺一个特定的固定子集的体素。所开发的概率抽样方案被证明可以管理传统随机体素选择的鲁棒性(通过允许更多探索)和固定体素选择的准确性(通过允许更大比例的信息体素)之间的权衡。
2020-10-02 cs.CV
Heterogeneous Uncertainty-Guided Composed Image Retrieval with Fine-Grained Probabilistic Learning
本文提出异质不确定性引导范式,通过细粒度概率学习提升复合图像检索的鲁棒性和准确性。
2026-01-22 cs.CV
Probabilistic Intra-Retinal Layer Segmentation in 3-D OCT Images Using Global Shape Regularization
University of Heidelberg(海德堡大学);Heidelberg Engineering GmbH(海德堡工程有限公司)
随着谱域光学相干断层扫描(OCT)技术的引入,获取速度显著提高,快速、准确地分割三维OCT扫描图像变得越来越重要。本文提出了一种新的概率方法,模型的外观视网膜层以及全球形状变化的层边界。给定OCT扫描,使用变分方法近似推断分割的完整后验分布,从而在计算上易于处理的模型组件方面实现有效的概率推断:分割完整的3D体积需要大约一分钟。精确的分割证明了使用全局形状正则化的好处:我们分割了35个以中心凹为中心的3-D体积,平均无符号误差为2.46 $\pm$ 0.22 μm,以及80个正常和66个昏迷的2-D圆形扫描,误差分别为2.92 $\pm$ 0.53 μm和4.09 $\pm$ 0.98 μm。此外,我们利用推断的后验分布来评价分割的质量,指出潜在的错误区域,并区分正常和病理扫描。不需要预处理或后处理,我们对所有数据集使用相同的参数集,强调了我们方法的鲁棒性和开箱即用性。
2014-03-31 cs.CV
Is segmentation uncertainty useful?
University of Copenhagen(哥本哈根大学);Technical University of Denmark(丹麦技术大学)
概率图像分割编码不同的预测置信度和分割问题中固有的模糊性。虽然不同的概率分割模型的目的是捕捉不同方面的分割不确定性和模糊性,这些建模的差异很少讨论的不确定性的应用程序的上下文中。我们考虑分割不确定性的两个常见用例,即分割质量评估和主动学习。我们认为四个既定的策略概率分割,讨论他们的建模能力,并调查他们在这两个任务的表现。我们发现,对于所有的模型和两个任务,返回的不确定性与分割误差呈正相关,但并没有证明是有用的主动学习。
2021-03-30 cs.CV
Uncertainty in multitask learning: joint representations for probabilistic MR-only radiotherapy planning
University College London(伦敦大学学院);King’s College London(伦敦国王学院);National University of Singapore(新加坡国立大学)
多任务神经网络体系结构提供了一种联合集成来自不同来源的信息的机制。它在仅MR放射治疗计划的背景下是理想的,因为它可以联合回归合成CT(synCT)扫描和从MRI分割危险器官(OAR)。我们提出了一个概率多任务网络,估计:1)内在的不确定性,通过异方差噪声模型的空间自适应任务损失加权和2)参数不确定性,通过近似贝叶斯推理。这允许对共享其网络表示的多个分段和同步CT进行采样。我们在前列腺癌扫描上测试了我们的模型,结果表明,它可以产生更准确和一致的synCT,更好地估计误差方差,最先进的OAR分割结果和放射治疗计划中的质量保证方法。
2018-06-18 cs.CV
Probabilistic Diffeomorphic Registration: Representing Uncertainty
Harvard Medical School(哈佛医学院);INRIA Sophia Antipolis-Méditerranée(法国国家信息与自动化研究所索菲亚-安提波利斯-地中海中心);University of North Carolina(北卡罗来纳大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出了一种新的数学框架来表示大变形几何图像配准中的不确定性。贝叶斯后验分布的变形对齐移动和固定的图像近似通过变分公式。一个随机微分方程(ESDs)建模的变形作为一个随时间变化的速度场的演变导致一个先验密度的形式的高斯过程的变形。这允许估计完整的后验分布,以表示不确定性,与后验通过蒙特卡洛采样近似或最大化最大后验(MAP)估计的方法相反。该框架的工作证明了在基于地标的图像配准的情况下,包括模拟数据和注释的术前和术中的3D图像。
2017-01-12 cs.CV
FG-NeRF: Flow-GAN based Probabilistic Neural Radiance Field for Independence-Assumption-Free Uncertainty Estimation
Peking University(北京大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院);UC San Diego(加利福尼亚大学圣迭戈分校)
针对现有概率神经辐射场依赖独立性假设影响复杂场景性能的问题,提出基于Flow-GAN的FG-NeRF,通过均值偏移概率残差模型和图像块对抗学习实现无显式似然的场景分布建模,在合成与真实数据集上取得更优渲染精度和不确定性估计效果。
2023-10-04 cs.CV
Probabilistic Volumetric Fusion for Dense Monocular SLAM
Massachusetts Institute of Technology(麻省理工学院)
我们提出了一种新的方法来重建三维场景的图像,利用深密集单目SLAM和快速不确定性传播。所提出的方法能够密集,准确和实时地重建场景,同时对来自密集单目SLAM的极度嘈杂的深度估计具有鲁棒性。与使用ad-hoc深度滤波器或从RGB-D相机的传感器模型估计深度不确定性的先前方法不同,我们的概率深度不确定性直接从SLAM中的底层捆绑调整问题的信息矩阵导出。我们表明,由此产生的深度不确定性提供了一个很好的信号,重量的深度图体积融合。如果没有我们的深度不确定性,所产生的网格是嘈杂的,并与文物,而我们的方法生成一个准确的三维网格与显着较少的文物。我们在具有挑战性的Euroc数据集上提供了结果,并表明我们的方法比直接从单目SLAM融合深度实现了92%的准确性,与最佳竞争方法相比,提高了90%。
2022-10-16 cs.CV
Uncertainty-aware Probabilistic 3D Human Motion Forecasting via Invertible Networks
The State Key Laboratory of Virtual Reality Technology and Systems, Beihang University, Beijing, China(虚拟现实技术与系统国家重点实验室,北京航空航天大学);Department of Computer Science, Durham University(计算机科学系,杜伦大学);Zhongguancun Laboratory, Beijing, China(中关村实验室,北京)
本文提出ProbHMI,通过可逆网络在解耦隐空间中进行概率动力学建模并显式预测未来隐分布,从而在三维人体运动预测中实现有效的不确定性量化,兼顾确定性预测与多样化预测性能。
2025-07-19 cs.CV cs.RO
Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression
Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心);Beijing Normal University(北京师范大学)
不确定性是唯一的确定性。建模数据不确定性对于回归是必不可少的,特别是在无约束的设置中。传统的直接回归公式被认为是通过修改输出空间的概率分布的某个家庭的不确定性建模。另一方面,基于分类的回归和基于排序的解决方案在实践中更受欢迎,而直接回归方法则受到性能的限制。如何在当今的回归技术中对不确定性进行建模仍然是一个悬而未决的问题。在本文中,我们建议学习概率序数嵌入,它将每个数据表示为多变量高斯分布,而不是潜在空间中的确定性点。提出了一个有序分布约束,以利用回归的有序性。我们的概率序嵌入可以集成到流行的回归方法,并赋予他们的不确定性估计的能力。实验结果表明,我们的方法取得了竞争力的性能。代码可在https://github.com/Li-Wanhua/POEs上获得。
2021-03-25 cs.CV cs.LG
A review of uncertainty quantification in medical image analysis: probabilistic and non-probabilistic methods
Saw Swee Hock School of Public Health, National University of Singapore(新加坡国立大学苏瑞福公共卫生学院);University of Rouen Normandy(鲁昂诺曼底大学);Institute of Data Science, National University of Singapore(新加坡国立大学数据科学研究所)
本综述全面梳理医学图像分析中机器学习模型的不确定性量化方法,涵盖概率与非概率方法,并讨论医学应用、评估协议及未来研究方向,以促进临床与技术研究者的理解。
2023-10-09 cs.CV eess.IV
Probabilistic Modeling of Inter- and Intra-observer Variability in Medical Image Segmentation
University of Granada(格拉纳达大学)
针对医学图像分割中存在的观察者间及观察者内变异性问题,提出概率模型Pionono,融合标注者行为分布与图像特征生成概率分割预测,性能优于现有主流模型,可为诊断提供参考。
2023-07-21 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
Uncertainty-based Cross-Modal Retrieval with Probabilistic Representations
Samsung AI Centre Toronto(多伦多三星人工智能中心);York University(约克大学);University of Toronto(多伦多大学)
概率嵌入已被证明对于捕获多义词含义以及图像匹配中的歧义是有用的。在本文中,我们研究了概率嵌入在跨模态设置(即,文本和图像),并提出了一种简单的方法,取代标准的矢量点嵌入在现有的图像-文本匹配模型与概率分布,参数学习。我们的指导假设是,概率嵌入中编码的不确定性捕获了输入实例中的跨模态模糊性,并且通过捕获这种不确定性,概率模型可以在下游任务中表现得更好,例如图像到文本或文本到图像检索。通过对标准和新基准的广泛实验,我们在跨模态检索中展示了概率表示的一致优势,并验证了我们的嵌入捕获不确定性的能力。
2022-04-20 cs.CL cs.CV cs.IR
A Simple Probabilistic Model for Uncertainty Estimation
本文以单导联心电图检测心房颤动为例,重点研究了模型的预测不确定性。为此,该模型预测贝塔分布在类概率上的参数,而不是这些概率本身。结果表明,所描述的方法允许检测非典型记录,并显着提高算法的质量,对置信度的预测。
2018-07-24 cs.CV cs.LG stat.ML
Probabilistic RGB-D Odometry based on Points, Lines and Planes Under Depth Uncertainty
University of Surrey(萨里大学)
这项工作提出了一个强大的视觉里程计方法,结构化的环境相结合的点特征与直线和平面段,通过RGB-D相机提取。噪声深度图由基于高斯混合的概率深度融合框架处理,以去噪并导出深度不确定性,然后在整个视觉里程计管道中传播深度不确定性。概率三维平面和直线拟合的解决方案被用来模拟的不确定性的特征参数和姿态估计通过组合的三种类型的基元的基础上他们的不确定性。性能评估在这项工作中收集的RGB-D序列和两个公共的RGB-D数据集:TUM和ICL-NUIM显示使用建议的深度融合框架和组合的三个功能类型的好处,特别是在场景中的低纹理表面,动态对象和丢失的深度测量。
2018-01-18 cs.CV cs.RO
Can We Trust You? On Calibration of a Probabilistic Object Detector for Autonomous Driving
Robert Bosch GmbH(罗伯特·博世股份有限公司);Ulm University(乌尔姆大学)
可靠的不确定性估计对于安全自动驾驶中的感知系统至关重要。最近,已经提出了许多方法来对基于深度学习的对象检测器中的不确定性进行建模。然而,估计的概率往往是未经校准的,这可能会导致严重的问题,在安全关键的情况下。在这项工作中,我们确定这样的不确定性误校准问题的概率LiDAR三维目标检测网络,并提出了三个实用的方法,以显着减少不确定性校准的错误。在几个数据集上的大量实验表明,我们的方法产生了校准良好的不确定性,并在不同的数据集之间推广良好。
2019-09-26 cs.CV cs.RO
Modeling Uncertainty in 3D Gaussian Splatting through Continuous Semantic Splatting
University of Michigan(密歇根大学);Amazon Lab 126(亚马逊126实验室)
针对3D-GS在安全关键机器人应用中无预警失效的问题,提出一种将连续语义映射从体素扩展到椭球体的概率更新与光栅化算法,利用共轭先验量化不确定性,并通过实验验证其有效性。
2024-11-04 cs.CV cs.RO
An Uncertainty-aware Hierarchical Probabilistic Network for Early Prediction, Quantification and Segmentation of Pulmonary Tumour Growth
Eurecat Centre Tecnològic de Catalunya(加泰罗尼亚技术中心Eurecat);Universitat Pompeu Fabra(庞培法布拉大学);Vall d’Hebron University Hospital(巴尔德希伯伦大学医院);ICREA(加泰罗尼亚高等研究院)
肿瘤生长的早期检测和量化将有助于临床医生开出更准确的治疗方案,并提供更好的手术计划。然而,肺肿瘤进展的多因素和异质性阻碍了生长模式的识别。在这项研究中,我们提出了一种新的方法,基于一个深层次的生成和概率框架,根据放射学指南,预测肿瘤生长,量化其大小,并提供了一个语义外观的未来结节。与以前的确定性解决方案不同,我们的方法的生成特性还允许我们估计预测中的不确定性,对于复杂和可疑的情况尤其重要。在独立测试集上评估该方法的结果报告肿瘤生长平衡准确度为74%,肿瘤生长尺寸MAE为1.77 mm,肿瘤分割Dice评分为78%。这些超过了等效的确定性和替代生成解决方案(即概率U-Net,贝叶斯测试丢弃和Pix 2 Pix GAN)的性能,证实了我们的方法的适用性。
2021-04-18 cs.CV cs.NE
Probabilistic Concept Bottleneck Models
Seoul National University(首尔国立大学)
针对CBM确定性概念预测无法处理概念歧义的问题,本文提出ProbCBM,用概率概念嵌入建模并传递概念不确定性,从而提升类别预测解释的可靠性。
2023-06-02 cs.AI cs.CV cs.LG
A Review and Comparative Study on Probabilistic Object Detection in Autonomous Driving
Ulm University(乌尔姆大学);University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所)
捕获目标检测中的不确定性对于安全自动驾驶是必不可少的。近年来,深度学习已经成为目标检测的事实上的方法,并且已经提出了许多概率目标检测器。然而,深度目标检测中的不确定性估计并没有总结,现有的方法不仅构建了不同的网络架构和不确定性估计方法,而且在不同的数据集上进行评估,评估指标范围很广。因此,各种方法之间的比较仍然具有挑战性,选择最适合特定应用的模型也是如此。本文旨在通过对现有的自动驾驶应用中的概率目标检测方法进行回顾和比较研究来缓解这一问题。首先,我们概述了深度学习中的一般不确定性估计,然后系统地调查了概率目标检测的现有方法和评估指标。接下来,我们基于图像检测器和三个公共自动驾驶数据集对概率目标检测进行了严格的比较研究。最后,我们提出了剩余的挑战和未来的工作进行了讨论。代码已在https://github.com/asharakeh/pod_compare.git上提供
2021-07-11 cs.CV cs.RO
PCM-NeRF: Probabilistic Camera Modeling for Neural Radiance Fields under Pose Uncertainty
Mohamed bin Zayed University of AI(穆罕默德·本·扎耶德人工智能大学);University of Amsterdam(阿姆斯特丹大学);University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校)
PCM-NeRF通过引入可学习的不确定性来增强神经表面重建,利用概率分布建模相机姿态,有效应对姿态估计不准确的问题,提升重建精度。
2026-04-20 cs.CV cs.GR
Probabilistic framework for solving Visual Dialog
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
在本文中,我们提出了一个概率框架,解决任务的“可视对话框”。解决这个问题需要推理和理解的视觉形态,语言形态和常识知识来回答。已经提出了各种架构来通过组合视觉和语言表示的多模态深度学习技术的变体来解决这个任务。然而,我们认为,理解和分析不确定性的来源对于解决这一任务至关重要。我们的方法允许估计不确定性,也有助于产生不同的答案。所提出的方法是通过一个概率表示模块,为我们提供了图像,问题和会话历史的表示,一个模块,确保候选答案的不同的潜在表示得到给定的概率表示和不确定性表示模块,选择适当的答案,最大限度地减少不确定性。我们通过详细的消融分析、与最先进技术的比较以及有助于理解该方法的不确定性的可视化来彻底评估该模型。使用所提出的概率框架,我们从而获得一个改进的视觉对话系统,也更易于解释。
2019-10-17 cs.CL cs.CV cs.LG
Probabilistic Neighbourhood Component Analysis: Sample Efficient Uncertainty Estimation in Deep Learning
Carnegie Mellon University(卡内基梅隆大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
虽然深度神经网络(DNN)在各种应用中达到了最先进的精度,但它们通常无法准确估计其预测的不确定性,进而无法识别这些预测何时可能是错误的。在文献中已经提出了几种不确定性感知模型,例如贝叶斯神经网络(BNN)和深度集成,用于量化预测不确定性。然而,这一领域的研究主要局限于大数据领域。在这项工作中,我们表明,当训练数据的量很小时,最先进的BNN和深度包围模型的不确定性估计能力显着下降。为了解决小数据下精确不确定性估计的问题,我们提出了一种流行的样本有效的非参数kNN方法的概率推广。我们的方法使深度kNN分类器能够准确量化其预测中的潜在不确定性。我们证明了所提出的方法的有用性,通过实现优越的不确定性量化相比,最先进的COVID-19诊断的胸部X射线的现实世界中的应用。我们的代码可在https://github.com/ankurmallick/sample-efficient-uq上获得
2020-07-18 cs.CV cs.LG eess.IV
Variational Imbalanced Regression: Fair Uncertainty Quantification via Probabilistic Smoothing
Georgia Institute of Technology(佐治亚理工学院);Rutgers University(罗格斯大学)
本文提出变分不平衡回归(VIR)模型,通过借用相似标签数据计算潜在表示的变分分布并预测整个正态逆伽马分布分布进行实现概率重加权,在准确性和不确定性性估计上优于现有不平衡回归模型。
2024-11-10 cs.CV cs.LG cs.NE
Probabilistic Spatial Analysis in Quantitative Microscopy with Uncertainty-Aware Cell Detection using Deep Bayesian Regression of Density Maps
ETH Zurich(苏黎世联邦理工学院);University of Zurich(苏黎世大学);Uppsala University(乌普萨拉大学)
3D显微镜是研究不同生物系统的关键,而不断增加的大型数据集的可用性要求自动细胞识别方法不仅准确,而且还可以暗示其预测的不确定性,以告知潜在的错误,从而对使用它们的结论有信心。虽然传统的深度学习方法通常会产生确定性的结果,但深度贝叶斯学习的进步允许在许多图像分类和分割任务中进行具有概率解释的准确预测。然而,将这种贝叶斯方法扩展到细胞检测是不平凡的,这需要专门的学习框架。特别是,密度图的回归是用于在后处理步骤中从局部峰提取细胞坐标的流行的成功方法,这阻碍了任何有意义的概率输出。我们在此提出了一种基于深度学习的细胞检测框架,其可以对大型显微镜图像进行操作,并通过以下方式输出期望的概率预测:(i)集成贝叶斯技术以用于不确定性感知密度图的回归,其中可以应用峰值检测来生成细胞提议,以及(ii)学习从众多提议到被校准的概率空间的映射,即准确地表示成功预测的机会。利用这种校准的预测,我们提出了一个概率空间分析与蒙特卡洛抽样。我们证明了这一点,在修改现有的描述骨髓内的间充质基质细胞类型的分布,我们提出的方法使我们能够揭示空间模式,否则无法检测。在定量显微镜管道中引入这种概率分析将允许报告用于测试空间分布的生物学假设的置信区间。
2021-02-23 cs.CV cs.LG eess.IV
Implicit Modeling with Uncertainty Estimation for Intravoxel Incoherent Motion Imaging
ETH Zurich(苏黎世联邦理工学院);University Children's Hospital Zurich(苏黎世大学儿童医院)
体素内非相干运动(IVIM)成像允许使用磁共振成像(MRI)进行无造影剂的体内灌注定量。然而,由于大梯度编码幅度下的低信噪比(SNR)以及受试者运动引起的失相伪影(这在胎儿MRI中尤其具有挑战性),其使用受到通常较低准确度的限制。为了缓解这个问题,我们提出了一个隐式IVIM信号采集模型,我们学习全后验分布的灌注参数使用人工神经网络。然后,这个后验封装的不确定性推断的参数估计,我们在这里验证通过数值实验与拒绝为基础的贝叶斯抽样。与最先进的分段最小二乘拟合IVIM估计方法相比,我们所提出的方法在合成各向异性灌注数据上的参数估计精度提高了65%。在体内胎儿MRI的配对重新扫描,我们的方法增加了46%的胎盘参数估计的可重复性。
2018-10-22 cs.CV cs.LG stat.ML
Probabilistic Machine Learning for Noisy Labels in Earth Observation
Orion Lab(猎户座实验室);National Observatory of Athens(雅典国家天文台);National Technical University of Athens(雅典国立技术大学);Image Processing Laboratory (IPL), Universitat de València(瓦伦西亚大学图像处理实验室);Harokopio University of Athens(哈罗科皮奥大学);Archimedes, Athena Research Center(雅典娜研究中心阿基米德分部)
本研究利用概率机器学习建模地球观测中依赖输入的标签噪声并量化数据不确定性,实验证明不确定性感知模型在准确性和可靠性上优于确定性方法,为该领域提供了更可信赖的解决方案。
2025-04-04 cs.CV cs.LG
Deep Probabilistic Imaging: Uncertainty Quantification and Multi-modal Solution Characterization for Computational Imaging
California Institute of Technology(加州理工学院)
计算图像重建算法通常产生单个图像,而没有任何不确定性或置信度的测量。逆问题的正则化最大似然(RML)和前馈深度学习方法通常侧重于恢复点估计。当与欠定成像系统一起工作时,这是一个严重的限制,其中可以想象多个图像模式将与测量数据一致。因此,描述解释观测数据的可能图像空间至关重要。在本文中,我们提出了一种变分深度概率成像方法来量化重建的不确定性。深度概率成像(DPI)采用未经训练的深度生成模型来估计未观察图像的后验分布。这种方法不需要任何训练数据;相反,它优化了神经网络的权重,以生成适合特定测量数据集的图像样本。一旦学习了网络权重,就可以有效地对后验分布进行采样。我们证明了这种方法的背景下,干涉无线电成像,这是用于黑洞成像的事件地平线望远镜,和压缩传感磁共振成像(MRI)。
2020-12-17 astro-ph.IM cs.CV cs.LG
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
Uncertainty-aware retinal layer segmentation in OCT through probabilistic signed distance functions
Informatics Institute, University of Amsterdam(阿姆斯特丹大学信息学研究所);Amsterdam UMC(阿姆斯特丹大学医学中心);Erasmus MC(伊拉斯姆斯大学医学中心)
提出概率 SDF 框架,通过水平集参数化视网膜层形状并以高斯分布建模不确定性,在 OCT 噪声失真场景下实现更鲁棒可靠的层分割。
2024-12-06 cs.AI cs.CV eess.IV
Stochastic-YOLO: Efficient Probabilistic Object Detection under Dataset Shifts
University of Cambridge(剑桥大学);Arm ML Research Lab(Arm机器学习研究实验室)
在图像分类任务中,利用概率框架评估模型对增加的数据集移位的鲁棒性是非常好的研究。然而,目标检测(OD)任务对不确定性估计和评估提出了其他挑战。例如,需要评估标签不确定性的质量(即,什么?)以及空间不确定性(即,在哪里?)对于给定的限界框,但是该评估不能用更传统的平均精度度量来执行(例如,mAP)。在本文中,我们采用成熟的YOLOv 3架构,通过引入蒙特卡洛丢弃(MC-Drop)形式的随机性来生成不确定性估计,并在不同级别的数据集偏移中对其进行评估。我们称这种新的体系结构随机YOLO,并提供了一个有效的实现,以有效地减少负担的MC-Drop采样机制在推理时间。最后,我们提供了一些敏感性分析,同时认为,随机YOLO是一个健全的方法,提高不同的组件的不确定性估计,特别是空间的不确定性。
2020-11-06 cs.CV cs.LG cs.RO
A Review of Bayesian Uncertainty Quantification in Deep Probabilistic Image Segmentation
Eindhoven University of Technology(埃因霍温理工大学)
本文综述了深度概率图像分割中贝叶斯不确定性量化的关键概念与挑战,提出标准化框架并指导未来研究方向。
2026-02-18 cs.AI cs.CV cs.LG