如何有效训练 Faster R-CNN 目标检测器集成以量化不确定性
计算机视觉与模式识别
2023-12-29 v3
摘要
本文提出一种训练两阶段目标检测集成模型（更具体地，Faster R-CNN 模型）以估计不确定性的新方法。我们提出，训练一个区域提议网络（RPN）和多个 Fast R-CNN 预测头即是构建用于目标检测不确定性估计的鲁棒深度集成网络所需的一切。我们给出该方法并通过实验表明，该方法比集成中完全训练所有 个模型的朴素方法快得多。我们还通过测量该集成模型的预期校准误差（ECE）来估计不确定性。随后我们进一步将该模型与 Gaussian YOLOv3（一种使用预测边界框坐标建模不确定性的 YOLOv3 变体）的性能进行比较。源代码发布于 \url{https://github.com/Akola-Mbey-Denis/EfficientEnsemble}。
引用
@article{arxiv.2310.04829,
title = {How To Effectively Train An Ensemble Of Faster R-CNN Object Detectors To Quantify Uncertainty},
author = {Denis Mbey Akola and Gianni Franchi},
journal= {arXiv preprint arXiv:2310.04829},
year = {2023}
}