面向深度度量学习的校准邻域感知置信度度量
机器学习
2020-06-11 v1 机器学习
摘要
近年来，随着深度学习的成功，深度度量学习取得了令人瞩目的进展。它已成功应用于少样本学习、图像检索和开集分类等问题。然而，度量深度度量学习模型的置信度并识别不可靠预测仍是一个开放挑战。本文致力于定义一种校准的、可解释的置信度度量，使其紧密反映分类准确率。在利用所学距离度量直接在潜空间进行相似性比较的同时，我们的方法使用高斯核平滑函数近似每一类数据点的分布。所提出的在留出验证集上带置信度度量的后处理校准算法，提升了最先进深度度量学习模型的泛化性与鲁棒性，同时提供了可解释的置信度估计。在四个流行基准数据集（Caltech-UCSD Birds、Stanford Online Product、Stanford Car-196 和 In-shop Clothes Retrieval）上的大量测试表明，即使在测试数据存在额外噪声或对抗样本相关的分布偏移时，也取得了一致改进。
引用
@article{arxiv.2006.04935,
title = {Calibrated neighborhood aware confidence measure for deep metric learning},
author = {Maryna Karpusha and Sunghee Yun and Istvan Fehervari},
journal= {arXiv preprint arXiv:2006.04935},
year = {2020}
}