Evaluation of Multi-task Uncertainties in Joint Semantic Segmentation and Monocular Depth Estimation

虽然已经提出了许多有前途的不确定性量化方法来解决深度神经网络的主要缺点，如过度自信和缺乏可解释性，但在联合语义分割和单目深度估计的情况下量化预测不确定性尚未被探索。由于许多现实世界的应用程序具有多模态性质，因此有潜力从多任务学习中受益，这是当前文献中的一个重要差距。为此，我们进行了一系列全面的实验，研究多任务学习如何影响不确定性估计的质量，以与单独解决两个任务进行比较。

本论文旨在探讨如何在联合语义分割和单目深度估计中量化预测不确定性，以及多任务学习对不确定性估计质量的影响。这是当前文献中的一个重要研究空白。

论文提出了一种基于多任务学习的方法，用于联合语义分割和单目深度估计，并通过实验研究了该方法对于预测不确定性的影响。

论文使用了Cityscapes和KITTI数据集进行实验，并开源了代码。研究发现，多任务学习可以提高预测不确定性的质量，特别是在语义分割任务中。此外，论文还提出了一种基于Dropout的后处理方法，可以进一步提高不确定性估计的准确性。

近期的相关研究包括：1.《Deep Joint Task Learning for Generic Object Extraction》；2.《Uncertainty Quantification with Statistical Learning Theory for Medical Imaging》；3.《Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics》等。