基于最后一层委员会机器的深层海底图像不确定性估计
定量方法
2025-04-25 v1
摘要
自动化标注海底图像（即海底及其相关生物、栖息地和地质特征的图像）对于监测快速变化的海洋生态系统至关重要。深度学习方法在此方面取得了成功；然而，由于海底图像模糊不清、潜在的用户间标注 disagreement 以及超出分布样本，持续的标注仍然具有挑战性。实施深度学习模型的海洋科学家通常会基于单热表示，使用交叉熵损失目标和softmax归一化获得预测，从而获得单一参数集。虽然这种方法高效，但可能导致对 context-challenging 数据集的过度自信预测，这为下游任务如海底栖息地制图和海洋空间规划带来可靠性担忧。在本研究中，我们将分类不确定性作为改进海底栖息地图像标注的工具。我们针对最近公开的 BenthicNet 数据集的两个具有挑战性的子数据集开发了框架，采用贝叶斯神经网络、蒙特卡罗 dropout 推断抽样以及提出的单一最后一层委员会机器。该方法在保持网络参数减少超过95% 的同时，实现了接近基于贝叶斯神经网络、蒙特卡罗 dropout 和深度集成等计算更昂贵策略的近似性能。本研究提出的方法为获取不确定性样本的优先级列表，为人类在循环中的干预提供策略，以识别模糊、错误标注、超出分布或困难的图像，从而增强海底制图及其他应用的现有标注工具。
引用
@article{arxiv.2504.16952,
title = {Last-layer committee machines for uncertainty estimations of benthic imagery},
author = {H. Martin Gillis and Isaac Xu and Benjamin Misiuk and Craig J. Brown and Thomas Trappenberg},
journal= {arXiv preprint arXiv:2504.16952},
year = {2025}
}