23、基于证据推理的语义分割模型不确定性量化方法

基于证据推理的语义分割模型不确定性量化方法

一、引言

语义分割作为计算机视觉中最重要的任务之一，在医疗图像分析和自动驾驶车辆控制等安全关键型应用中极具吸引力。然而，尽管深度学习模型在许多任务上的性能已达到甚至超过人类水平，但它们的输出并不总是可靠的。在安全要求较高的领域，基于深度学习的核心感知决策失误可能会导致灾难性后果。现有研究表明，深度神经网络往往会做出过于自信的预测，因此量化此类模型的预测不确定性是提高决策可靠性的有效方法。

目前，预测不确定性量化的研究主要分为贝叶斯方法和非贝叶斯方法两大流派。贝叶斯方法源于贝叶斯神经网络（BNNs），试图用概率分布取代神经网络的点估计参数，但变分推理（VI）方法计算成本过高，尤其是对于大规模深度神经网络。非贝叶斯方法中，蒙特卡罗丢弃法（MC dropout）在测试时采用丢弃操作来生成预测分布，深度集成法通过组合多个具有相同架构和独立初始化参数的深度神经网络的输出来提高不确定性估计性能，但这些方法对于大型模型的训练成本巨大。

本文聚焦于非概率性的不确定性理论框架——Dempster - Shafer（DS）理论，基于最近提出的证据神经网络，提出了一种用于语义分割的预测不确定性量化方法EviSeg。该方法提取语义分割模型最后卷积层的参数和输出特征，将多源证据映射为证据权重，并使用Dempster组合规则来估计语义分割模型的预测不确定性。此方法无需改变模型架构、训练过程或损失函数，不会影响分割模型的性能。在城市道路场景数据集CamVid上的验证表明，该方法比基线方法提高了三到四倍的计算效率，同时保持了与基线方法相当的性能，这对实时应用至关重要。

二、相关工作

近年来，关于深度学习模型不确定性量化的研究