面向可靠深度视觉结构健康监测的模型不确定性量化
计算机视觉与模式识别
2020-04-13 v1
摘要
利用深度学习的计算机视觉在过去十年中取得了显著成功。尽管现有深度模型在近期文献中表现出良好的性能，但模型可靠性的程度仍属未知。结构健康监测（SHM）对结构的安全与可持续性至关重要，因此预测错误可能导致致命后果。本文针对深度视觉SHM模型提出贝叶斯推断，其中不确定性可通过蒙特卡洛 dropout 采样进行量化。利用贝叶斯推断研究了关于裂缝、局部损伤识别与桥梁构件检测的三个独立案例。除更好的预测结果外，两类不确定性度量——平均类别 softmax 方差与熵——被证明与误分类具有良好的相关性。虽然不确定性度量可用于触发人工干预并潜在地改善预测结果，但不确定性掩码的解释可能具有挑战性。因此，引入代理模型以不确定性作为输入，从而进一步提升性能。本文提出的方法可应用于未来的深度视觉SHM框架，以在检测流程中纳入模型不确定性。
引用
@article{arxiv.2004.05151,
title = {Model Uncertainty Quantification for Reliable Deep Vision Structural Health Monitoring},
author = {Seyed Omid Sajedi and Xiao Liang},
journal= {arXiv preprint arXiv:2004.05151},
year = {2020}
}