Перспектива вероятной вероятности возникновения в Вассерштейне реальной неопределенности для сегментации вне распределения

arXiv:2610.1116v1 Тип уведомления: новое резюме. Семантические сегментационные сети функционируют на фиксированном наборе классов и поэтому не работают в тех случаях, когда при развертывании появляются нераспределенные (OD) объекты, что является критическим ограничением для важнейших видов применения, таких как автономное вождение. Для надежного выявления объектов, предназначенных для ПХД, требуется хорошо калиброванная эпистемическая неопределенность, однако общие оценки уверенности на основе мягкой максиса по-прежнему являются чрезмерно надежными, в то время как такие байесианские альтернативы, как отсев из системы Монте Карло или глубокие чувства, требуют дорогостоящих повторных пропусков. Доказательственное глубокое обучение (ДВУ) предлагает эффективную альтернативу путем моделирования вероятностей класса как распределения дирихлета, полученного из единого детерминистского переднего пропуска. Существующие формулы ЭДЛ основываются на евклидианских целях, которые подталкивают прогнозы к простомерным вершинам, поощряя чрезмерную уверенность, а не сохраняя неопределенность в отношении неизвестных факторов. Вместо этого мы используем цели на базе Вассерштейна, которые уважают геометрию вероятности s