预训练目标检测器中的不确定性校准综述
计算机视觉与模式识别
2022-10-07 v1
摘要
在基于深度学习的计算机视觉领域，深度目标检测的发展催生了独特的范式（如两阶段或基于集合的）与架构（如 Faster-RCNN 或 DETR），使其在具挑战性的基准数据集上取得卓越性能。尽管如此，训练好的目标检测器通常无法可靠评估关于自身知识的不确定性，且其概率预测的质量往往较差。由于这些预测常用于后续决策，此类不准确的概率预测必须避免。本文中，我们研究了多类别设定下不同预训练目标检测架构的不确定性校准性质。我们提出一个框架以确保公平、无偏且可重复的评估，并开展详细分析以评估在分布变化（如分布偏移与对分布外数据的应用）下的校准情况。此外，通过考察不同检测器范式、后处理步骤及合适度量选择的影响，我们揭示了检测器校准不佳的成因新见解。基于这些见解，我们仅通过微调检测器的最后一层便能改善其校准。
引用
@article{arxiv.2210.02935,
title = {A Review of Uncertainty Calibration in Pretrained Object Detectors},
author = {Denis Huseljic and Marek Herde and Mehmet Muejde and Bernhard Sick},
journal= {arXiv preprint arXiv:2210.02935},
year = {2022}
}
备注
17 pages, 6 figures, submitted to IJCV