用于语义分割的基础模型的不确定性量化评估

本文探讨了用于语义分割的基础模型的不确定性量化（UQ）方法。研究人员在具有SAM2编码器的微调DPT解码器上评估了四种UQ方法——蒙特卡洛Dropout、深度子集成、测试时增强和证据深度学习。该研究在Cityscapes和NYUv2等各种数据集以及域外场景中对这些方法进行了基准测试。研究结果揭示了准确性、可靠性和计算成本之间的权衡，表明了具有不确定性感知能力的基础模型在实际部署中的潜力和局限性。 AI

影响 这项研究强调了将不确定性量化应用于语义分割基础模型时的权衡，为未来开发更安全、更可靠的AI系统提供了信息。

排序理由 该集群包含一篇学术论文，详细介绍了对应用于基础模型的方法的系统评估。[lever_c_demoted from research: ic=1 ai=1.0]

在 Hugging Face Daily Papers 阅读 →

• Cityscapes
• Deep Sub-Ensemble
• DPT decoder
• Evidential Deep Learning
• foundation model
• Monte Carlo Dropout
• NYUv2
• SAM2 encoder
• uncertainty quantification

• 论文
• 模型发布

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