关于不确定性在白纹伊蚊分类中的使用
计算机视觉与模式识别
2021-11-01 v1 机器学习
摘要
蚊媒疾病(MBDs)的重新兴起每年致死数十万人,其原因归于人口增长、迁移与环境变化。若干研究已使用卷积神经网络(CNNs)识别 Mosquito Alert 等项目所提供图像中的蚊虫,以协助昆虫学家识别、监测和管理 MBD。然而,利用 CNN 自动标注输入样本可能涉及错误预测,从而误导未来流行病学研究。此外,CNN 需要大量人工标注数据。为解决上述问题,本文提出使用蒙特卡洛 Dropout 方法估计不确定性分数,以对分类样本排序,从而减少在识别白纹伊蚊(Aedes albopictus)中对人工监督的需求。所估计的不确定性还被用于主动学习框架,其中仅对大型训练集中的部分数据进行了人工标注。实验结果表明,所提出的带拒绝的分类方法通过提升总体性能并减轻昆虫学家标注负担,优于对比方法。我们还提供了对一组样本不确定性评估有贡献的不同区域的可解释可视化。
引用
@article{arxiv.2110.15912,
title = {On the use of uncertainty in classifying Aedes Albopictus mosquitoes},
author = {Gereziher Adhane and Mohammad Mahdi Dehshibi and David Masip},
journal= {arXiv preprint arXiv:2110.15912},
year = {2021}
}
备注
This article has been accepted for publication in a future issue of IEEE Journal of Selected Topics in Signal Processing