用于鲁棒昆虫分类的分布外检测算法
计算机视觉与模式识别
2023-05-04 v1 机器学习
摘要
基于深度学习的方法已产生具有良好昆虫分类精度的模型；这些模型大多适用于受控环境条件下的应用。研究人员的首要重点之一是在真实农田中部署识别与分类模型，这具有挑战性，因为严重偏离分布（out-of-distribution, OOD）的输入图像（例如车辆、动物、人类图像，或昆虫的模糊图像，或尚未训练过的昆虫类图像）可能导致错误的昆虫分类。分布外（OOD）检测算法为确保模型不对非昆虫和/或未训练昆虫类图像做出错误分类预测提供了令人振奋的途径。我们生成并评估了最先进 OOD 算法在昆虫检测分类器上的性能。这些算法代表了应对 OOD 问题的多种方法。具体而言，我们关注外挂式（extrusive）算法，即无需额外协同训练即可包裹于训练良好分类器周围的算法。我们比较了三种 OOD 检测算法：（i）最大 Softmax 概率（Maximum Softmax Probability），使用 softmax 值作为置信度分数；（ii）基于马氏距离（Mahalanobis distance）的算法，采用生成式分类方法；以及（iii）基于能量（Energy-Based）的算法，将输入数据映射为称为能量的标量值。我们沿三个性能维度对这些 OOD 算法进行了广泛评估：（a）基础模型精度：分类器的精度如何影响 OOD 性能？（b）与域的不相似程度如何影响 OOD 性能？（c）数据不平衡：OOD 性能对每类样本量不平衡的敏感度如何？
引用
@article{arxiv.2305.01823,
title = {Out-of-distribution detection algorithms for robust insect classification},
author = {Mojdeh Saadati and Aditya Balu and Shivani Chiranjeevi and Talukder Zaki Jubery and Asheesh K Singh and Soumik Sarkar and Arti Singh and Baskar Ganapathysubramanian},
journal= {arXiv preprint arXiv:2305.01823},
year = {2023}
}