面向 CNN 图像分类的概率与重构基准估计 (PaRCE)
计算机视觉与模式识别
2026-01-12 v3 机器学习
机器学习
摘要
卷积神经网络 (CNN) 在图像分类任务中极其流行且有效，但倾向于对其预测过于自信。各种工作致力于量化这些模型的不确定性、检测离群分布 (OOD) 输入或识别图像中的异常区域，但有限的工作致力于开发一种能够准确估计感知模型置信度的整体方法，这种置信度跨越各种不确定性来源。我们发展了一种概率和重构基于基准估计 (PaRCE) 方法，并将其与现有方法进行了比较，以进行不确定性量化和 OOD 检测。我们发现，该方法能够最佳地区分正确分类、误分类和 OOD 样本中包含异常区域的样本，以及在视觉图像修改导致预测准确率为高、中、低的样本之间进行区分。我们描述了如何扩展该方法用于异常局部化任务，并演示了该方法能够区分感知模型熟悉的图像区域与不熟悉的区域。我们发现，该方法生成的可解释得分最可靠地捕捉了感知模型置信度的整体概念。
引用
@article{arxiv.2411.16715,
title = {PaRCE: Probabilistic and Reconstruction-based Competency Estimation for CNN-based Image Classification},
author = {Sara Pohland and Claire Tomlin},
journal= {arXiv preprint arXiv:2411.16715},
year = {2026}
}
备注
arXiv admin note: text overlap with arXiv:2409.06111