掩蔽 Gamma-SSL:通过掩蔽图像建模学习不确定性估计
原文中文,约300字,阅读约需1分钟。发表于: 。该研究提出了一种语义分割网络,能够在单次前向传递中生成高质量的不确定性估计。通过基于掩膜图像建模(MIM)方法,我们利用基础模型和无标签数据的通用表示来解决增强超参数问题,使得方法更简洁。为了解决在安全关键应用中因训练数据中的偏差而导致的错误问题,我们在多个测试领域上对该方法进行了测试,并且在包括城市、乡村和越野驾驶领域的 SAX 分割基准数据集上,该方法始终优于不确定性估计和超出分布技术。
该研究提出了一种语义分割网络,能够在单次前向传递中生成高质量的不确定性估计。通过基于掩膜图像建模(MIM)方法,利用基础模型和无标签数据的通用表示来解决增强超参数问题,使得方法更简洁。在多个测试领域上对该方法进行了测试,并且在城市、乡村和越野驾驶领域的SAX分割基准数据集上,该方法始终优于不确定性估计和超出分布技术。