DA-Cal框架改进了UDA的语义分割校准

研究人员推出了一种名为DA-Cal的新框架，旨在提高无监督域自适应（UDA）场景下语义分割模型的校准质量。该框架解决了预测置信度未能准确反映实际准确度的问题，这对安全敏感型应用至关重要。DA-Cal通过引入一个元温度网络（Meta Temperature Network）来优化软伪标签（soft pseudo-labels），以实现像素级校准参数，并采用双层优化（bi-level optimization）将这些参数与UDA监督相结合。这种方法可以与现有的自训练框架集成，在不增加推理开销的情况下提高目标域校准能力并提升性能。 AI

影响 通过提高预测准确性的一致性，增强了AI模型在安全关键应用中的可靠性。

排序理由 该集群包含一篇详细介绍新语义分割框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• arXiv
• DA-Cal
• DagsHub
• Hugging Face
• Meta Temperature Network
• semantic segmentation
• Wang Kai Li

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →