Hinge-Wasserstein：回归任务中多模态偶然不确定性的估计
机器学习
2024-06-24 v4 机器学习
摘要
部署在安全关键应用中的计算机视觉系统需要量化其输出不确定性。我们研究从图像到参数值的回归，在此类问题中通常通过预测概率分布来检测不确定性。在此背景下，我们研究了回归即分类范式，该范式无需对模态数量作先验假设即可表示多模态分布。通过在专门设计的合成数据集上的实验，我们表明传统损失函数在缺乏完整真实分布的情况下会导致糟糕的概率分布估计和严重的过度自信。为缓解这些问题，我们提出hinge-Wasserstein——一种对Wasserstein损失的简单改进，在训练期间降低对弱次要模态的惩罚。这使得预测具有多个模态的复杂分布成为可能，并允许在无法获得完整真实分布的数据集上训练。在大量实验中，我们表明所提损失在地平线检测和立体视差估计这两个具有挑战性的计算机视觉任务上实现了显著更好的不确定性估计。
引用
@article{arxiv.2306.00560,
title = {Hinge-Wasserstein: Estimating Multimodal Aleatoric Uncertainty in Regression Tasks},
author = {Ziliang Xiong and Arvi Jonnarth and Abdelrahman Eldesokey and Joakim Johnander and Bastian Wandt and Per-Erik Forssen},
journal= {arXiv preprint arXiv:2306.00560},
year = {2024}
}