研究人员发现，在应用于语义分割任务时，事后校准方法存在结构性问题。研究强调，一些标准的校准技术对模型logit中的任意常数偏移敏感，导致结果不一致。此外，由于与模型训练期间使用的特定任务指标不匹配，使用基于似然的目标来拟合校准的常见做法会降低分割图的质量。该论文提出了一种平移不变且保持决策的校准变体，该变体可在各种基准测试中提高校准指标并防止分割性能下降。 AI
影响 为改进用于语义分割的AI模型中的置信度估计提供了实用的设计原则，特别是在安全关键型应用中。
排序理由 详细介绍新研究发现的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.01902v1 Announce Type: cross Abstract: Reliable confidence estimates are essential in semantic segmentation, especially in safety-critical settings where overconfident errors can mislead downstream decisions. Yet modern segmentation models often remain miscalibrated. P…
Reliable confidence estimates are essential in semantic segmentation, especially in safety-critical settings where overconfident errors can mislead downstream decisions. Yet modern segmentation models often remain miscalibrated. Post-hoc calibration offers a practical way to corr…