Core Concepts
本研究は、セマンティックセグメンテーションにおける不確実性推定手法の理論的発展と実用的適用の間にある大きな隔たりを解消するために、体系的で包括的な検証フレームワーク「ValUES」を提案する。
Abstract
本研究では、セマンティックセグメンテーションにおける不確実性推定手法の検証に関する3つの要件を定義し、それらを満たすフレームワーク「ValUES」を提案した。
不確実性の種類(偶然的不確実性と認知的不確実性)の分離可能性と実用的な恩恵を検証する。シミュレーションデータと実世界データを用いて、各種不確実性推定手法の性能を定量的・定性的に評価した。
不確実性推定手法の構成要素(セグメンテーションモデル、不確実性指標、集約戦略)を個別に検証し、それらの相互作用を分析した。特に、集約戦略の重要性が明らかになった。
不確実性推定手法の性能を、異常検知、能動学習、故障検知、校正、曖昧性モデリングなどの主要な5つの応用タスクで包括的に評価した。
この体系的な検証により、理論と実践の乖離を解消し、実用的な不確実性推定手法の選択と開発を支援することができる。
Stats
不確実性推定手法の性能は、データセットの特性(曖昧性の程度、分布シフトの有無)に大きく依存する。
集約戦略の選択は、タスクや使用するモデルによって大きく影響を受ける重要な要素である。
アンサンブルモデルは、様々なタスクにおいて最も堅牢な性能を示す一方で、データ拡張を用いたモデルもEU推定に適している軽量な代替案となる。
Quotes
"理論的発展と実用的適用の間にある大きな隔たりを解消する"
"体系的で包括的な検証フレームワーク「ValUES」を提案する"
"不確実性の種類の分離可能性と実用的な恩恵を検証する"
"不確実性推定手法の構成要素を個別に検証し、相互作用を分析する"
"不確実性推定手法の性能を主要な5つの応用タスクで包括的に評価する"