BSM 损失：细粒度分类中建模偶然不确定性的更优方法
计算机视觉与模式识别
2022-06-10 v1
摘要
人工智能（AI）辅助方法在疾病诊断等风险领域备受关注。与疾病类型分类不同，将医学图像分类为良性或恶性是一项细粒度任务。然而，多数研究仅关注提升诊断准确率而忽略模型可靠性评估，限制了其临床应用。对于临床实践，校准在低数据量情形下——尤其对过参数化模型与固有噪声——构成主要挑战。我们特别发现，建模数据依赖的不确定性更有助于置信度校准。相较于测试时增强（TTA），我们提出一种结合 Mixup 数据增强策略的改进自举损失（BS 损失）函数，可在不增加推理时间的情况下更好地校准预测不确定性并捕捉数据分布变换。实验表明，采用 Mixup 的 BS 损失（BSM）模型相较标准数据增强、深度集成与 MC dropout 能将期望校准误差（ECE）减半。在 BSM 模型下，不确定性与域内数据相似性的相关性达 -0.4428。此外，BSM 模型能够感知域外数据的语义距离，展现出在临床实际应用中的高潜力。
引用
@article{arxiv.2206.04479,
title = {BSM loss: A superior way in modeling aleatory uncertainty of fine_grained classification},
author = {Shuang Ge and Kehong Yuan and Maokun Han and Desheng Sun and Huabin Zhang and Qiongyu Ye},
journal= {arXiv preprint arXiv:2206.04479},
year = {2022}
}