文档图像中目标检测的置信度估计
计算机视觉与模式识别
2022-08-30 v1
摘要
深度神经网络正变得日益强大且规模庞大，且总是需要更多标注数据来进行训练。然而，由于数据标注耗时，现在有必要开发在有限数据量上学习仍能展现良好性能的系统。这些数据必须被正确选择，以获得仍然高效的模型。为此，系统必须能够确定应标注哪些数据以取得最佳结果。在本文中，我们提出四种估计器来估计目标检测预测的置信度。前两种基于蒙特卡洛 dropout，第三种基于描述性统计，最后一种基于检测器后验概率。在主动学习框架下，与前三种估计器相比，随机选取图像在文档物理页面和文本行的检测上表现出显著的性能提升。我们还表明，所提出的基于描述性统计的估计器可替代 MC dropout，在不损害性能的前提下降低计算成本。
引用
@article{arxiv.2208.13391,
title = {Confidence Estimation for Object Detection in Document Images},
author = {Mélodie Boillet and Christopher Kermorvant and Thierry Paquet},
journal= {arXiv preprint arXiv:2208.13391},
year = {2022}
}