基于梯度的深度目标检测器认知不确定性量化

针对深度目标检测器的绝大多数不确定性量化方法（如变分推断）都基于网络输出。本文研究基于梯度的深度目标检测器认知不确定性度量，以获得可靠的置信度估计。我们表明它们包含预测信息，并且捕获了与常见的基于输出的不确定性估计方法（如蒙特卡洛 dropout 和深度集成）正交的信息。为此，我们使用元分类和元回归，利用梯度度量及其他原则上适用于任意目标检测架构的不确定性量化基线来生成置信度估计。具体而言，我们采用假阳性检测和定位质量预测来研究我们度量的不确定性内容，并计算元分类器的校准误差。此外，我们将它们用作目标检测流水线的后处理过滤机制，并比较目标检测性能。我们的结果表明，基于梯度的不确定性在不同检测器和数据集上与基于输出的方法本身表现相当。更重要的是，基于梯度和基于输出度量的组合元分类器优于独立模型。基于该结果，我们得出结论：梯度不确定性为基于输出的方法增添了正交信息。这表明变分推断可辅以基于梯度的不确定性，以获得改进的置信度量，有助于深度目标检测器的下游应用并提升其概率可靠性。