【牛津大学博士论文】学习分布不确定性估计的语义分割，191页pdf

鉴于机器人在现实世界中采取的行动具有重要影响，必须确保它们的部署在设计上尽可能安全和可信。因此，本论文解决了一个称为分布偏移的问题。当深度学习系统暴露于与其训练数据分布不同的数据时，就会发生分布偏移，从而导致不可预测和意外的部署场景。本论文针对语义分割任务，研究了如何检测由于分布偏移而导致的错误，以防止这些危险场景的发生。在讨论了分布不确定性的本质，即由于分布偏移引起的错误原因，以及现有文献之后，本论文提出了三种方法，这些方法在驾驶数据的语义分割过程中进行分布不确定性估计。第一种方法将问题视为大规模的分布外检测问题，其中使用大规模图像数据集训练一个分割神经网络，以区分分布内和分布外的训练实例。该训练方法涉及对比损失函数和数据增强程序，以减少分布内和分布外实例之间的外观差异。第二种方法借鉴了第一种方法的经验，即使用本质上与分布内图像相比分布偏移较小的分布外训练图像，而不是依赖数据增强。这使得区分它们的任务更加具有挑战性，因此学习到的不确定性估计更加稳健。出于这个原因，该方法设计使用一个未标注的分布偏移驾驶数据集，并提出了一种训练程序以解决缺乏标签的问题。最后，第三种方法结合了前两种方法的思路，通过使用大规模图像数据学习通用特征表示，并使用未标注的分布偏移驾驶数据集将这种表示调整为针对驾驶图像的分布不确定性估计。