映射 DNN 嵌入流形以预测网络泛化能力
计算机视觉与模式识别
2022-02-09 v1 机器学习
摘要
理解深度神经网络（DNN）在变化条件下的性能，对于在具有无约束环境的 safety critical 应用中部署 DNN 至关重要，例如自动驾驶车辆的感知或医学图像分析。近来，网络泛化预测（NGP）任务被提出，用于预测 DNN 将如何在新操作域中泛化。以往的 NGP 方法依赖于标记元数据和新操作域的已知分布。在本研究中，我们提出首个仅基于外部操作域中无标签图像在 DNN 嵌入空间中的映射来预测 DNN 性能的 NGP 方法。我们针对行人、黑色素瘤和动物分类任务演示了该技方法，并在 15 个 NGP 任务中的 13 个上展示了无需领域知识的 state of the art NGP。此外，我们表明我们的 NGP 嵌入映射可用于在 DNN 性能较差时识别误分类图像。
引用
@article{arxiv.2202.03868,
title = {Mapping DNN Embedding Manifolds for Network Generalization Prediction},
author = {Molly O'Brien and Julia Bukowski and Mathias Unberath and Aria Pezeshk and Greg Hager},
journal= {arXiv preprint arXiv:2202.03868},
year = {2022}
}
备注
11 pages, 5 figures