将决断性与鲁棒性度量应用于卷积神经网络
机器学习
2020-06-02 v1 计算机视觉与模式识别
摘要
我们回顾了三种近期提出的分类器质量度量，并考量它们对于大规模分类挑战的适用性，例如将卷积神经网络应用于 1000 类 ImageNet 数据集。这些度量称为“几何精度”、“决断性”和“鲁棒性”，基于分类器自报告与实测正确分类概率的广义均值（ρ 分别等于 0、1 和 -2/3）。我们还提出了一些细微的澄清以标准化度量定义。借助这些更新，我们展示了使用深度卷积神经网络（AlexNet 和 DenseNet）在大型数据集（德国交通标志识别基准和 ImageNet）上计算这些度量的若干示例。
引用
@article{arxiv.2006.00058,
title = {Applying the Decisiveness and Robustness Metrics to Convolutional Neural Networks},
author = {Christopher A. George and Eduardo A. Barrera and Kenric P. Nelson},
journal= {arXiv preprint arXiv:2006.00058},
year = {2020}
}