基于 Mahalanobis 距离的深度分类器中高斯潜表示不确定性估计
计算机视觉与模式识别
2023-10-02 v3 机器学习
摘要
近期工作表明，网络潜空间中的数据分布有助于估计分类不确定性并检测分布外（OOD）样本。为获得有利于不确定性估计的良好正则化潜空间，现有方法对模型架构与训练流程进行了显著改动。本文中，我们提出了一种轻量、快速且高性能的基于 Mahalanobis 距离的不确定性预测正则化方法，其对网络架构的改动极小。为导出利于 Mahalanobis 距离计算的高斯潜表示，我们引入了一种自监督表示学习方法，将类内表示分离为多个高斯分布。具有非高斯表示的类别被自动识别并动态聚类为多个近似高斯的新类。在标准 OOD 基准上的评估表明，我们的方法以极小的推理时间取得了 OOD 检测的 SOTA 结果，并在预测概率校准上极具竞争力。最后，我们展示了我们的方法在微生物分类真实计算机视觉用例上的适用性。
引用
@article{arxiv.2305.13849,
title = {Gaussian Latent Representations for Uncertainty Estimation using Mahalanobis Distance in Deep Classifiers},
author = {Aishwarya Venkataramanan and Assia Benbihi and Martin Laviale and Cedric Pradalier},
journal= {arXiv preprint arXiv:2305.13849},
year = {2023}
}
备注
ICCV Workshop 2023