Key points are not available for this paper at this time.
Graphenschnitte sind ein beliebter Algorithmus zur Bestimmung der MAP-Zuweisung vieler großflächiger grafischer Modelle, die in der Computer Vision verbreitet sind. Obwohl Graphenschnitte leistungsfähig sind, bieten sie keine Informationen über die dazugehörigen marginalen Wahrscheinlichkeiten der gefundenen Lösung. Um die Unsicherheit zu bewerten, sind wir gezwungen, auf weniger effiziente und ungenaue Inferenzalgorithmen wie loopy belief propagation zurückzugreifen oder weniger fundierte surrogate Darstellungen von Unsicherheit wie den Min-Marginal-Ansatz von Kohli & Torr 8 zu verwenden. In dieser Arbeit geben wir eine neue Rechtfertigung für die Verwendung von Min-Marginalen zur Berechnung der Unsicherheit in bedingten Zufallsfeldern, wobei wir die Min-Marginal-Ausgaben als exakte Marginalen unter einem speziell gewählten generativen probabilistischen Modell betrachten. Wir nutzen diesen Ansatz, um richtig kalibrierte marginale Wahrscheinlichkeiten durch die direkte Maximierung der Trainingswahrscheinlichkeit zu lernen und zeigen, dass die notwendigen Subgradienten effizient mittels dynamischer Graphenschnittoperationen berechnet werden können. Wir zeigen auch, wie dieser Ansatz erweitert werden kann, um mehrlabels marginale Verteilungen zu berechnen, wobei wieder dynamische Graphenschnitte eine effiziente marginale Inferenz und Maximum-Likelihood-Lernen ermöglichen. Wir demonstrieren empirisch, dass - nach ordnungsgemäßer Schulung - Unsicherheiten, die auf Min-Marginalen basieren, besser kalibrierte Wahrscheinlichkeiten bieten als Baselines und dass diese Verteilungen auf entscheidungstheoretische Weise für eine verbesserte Segmentierung in der Niedrigpegelvision genutzt werden können.
Tarlow et al. (Fri,) haben diese Frage untersucht.