ACLS：用于网络校准的自适应条件标签平滑
计算机视觉与模式识别
2023-08-25 v2
摘要
我们解决网络校准问题，即调整深度神经网络失校准的置信度。许多网络校准方法采用基于正则化的方法，利用正则化项来平滑失校准的置信度。尽管这些方法已显示出校准网络的有效性，但对于正则化在网络校准中的基本原理仍缺乏理解。本文中我们对现有基于正则化的方法进行了深入分析，以更好地理解它们如何影响网络校准。具体而言，我们观察到：1）基于正则化的方法可解释为标签平滑的变体；2）它们并非总是表现理想。基于该分析，我们提出了一种新颖的损失函数，称为 ACLS，它结合了现有正则化方法的优点，同时避免了其局限性。我们在标准基准（包括 CIFAR10、Tiny-ImageNet、ImageNet 和 PASCAL VOC）上展示了图像分类和语义分割的广泛实验结果，证明了我们损失函数的有效性。
引用
@article{arxiv.2308.11911,
title = {ACLS: Adaptive and Conditional Label Smoothing for Network Calibration},
author = {Hyekang Park and Jongyoun Noh and Youngmin Oh and Donghyeon Baek and Bumsub Ham},
journal= {arXiv preprint arXiv:2308.11911},
year = {2023}
}
备注
Accepted to ICCV 2023 (Oral presentation)