摘要
深度学习在计算机视觉领域，尤其是在语义分割方面带来了革命性的变化。贝叶斯深度学习（BDL）被用于从深层模型中获取预测语义类别的不确定性图。例如，在自动驾驶中使用语义分割时，这些信息至关重要。标准的语义分割系统已经建立了完善的评估指标。然而，随着贝叶斯深度学习在计算机视觉领域的日益流行，我们需要新的评估指标来判断一种BDL方法是否比另一种方法产生更好的不确定性估计。在这项工作中，我们提出了三个专门针对语义分割任务的评估指标来评价BDL模型。我们对最先进的深度神经网络之一——DeepLab-v3+进行了改进，并使用MC dropout和Concrete dropout作为推理技术创建了其贝叶斯版本。然后，我们在著名的Cityscapes数据集上使用我们提出的评估指标对这两种推理技术进行了比较和测试。我们的研究结果为研究人员提供了一套新的基准，以便他们在追求更安全的语义分割过程中比较和评估改进的不确定性量化方法。