从黑盒到白盒：不同条件下的置信度校准考察
计算机视觉与模式识别
2021-01-11 v1 机器学习
摘要
置信度校准是将人工神经网络应用于安全关键型应用时的一个主要关切。由于该领域过去的研究多聚焦于分类，目标检测范畴内的置信度校准近期才获得更多关注。基于先前工作，我们研究了目标检测模型相对于图像位置与边界框尺度的失校准情况。我们的主要贡献是额外考量了非极大值抑制等边界框选择方法对校准的影响。我们考察了目标检测模型的默认内在校准及其受这些后处理技术影响的方式。为此，我们区分了采用非极大值抑制的黑盒校准与采用原始网络输出的白盒校准。实验揭示后处理高度影响置信度校准。我们表明非极大值抑制有可能劣化初始校准良好的预测，导致过度自信从而失校准的模型。
引用
@article{arxiv.2101.02971,
title = {From Black-box to White-box: Examining Confidence Calibration under different Conditions},
author = {Franziska Schwaiger and Maximilian Henne and Fabian Küppers and Felippe Schmoeller Roza and Karsten Roscher and Anselm Haselhoff},
journal= {arXiv preprint arXiv:2101.02971},
year = {2021}
}
备注
Accepted on SafeAI 2021 workshop on AAAI 2021 conference