基于随机森林的电子显微镜中目标检测模型性能预测

在将目标检测模型应用于新的、未标记的数据集时量化预测不确定性是应用机器学习中的关键问题。本研究介绍了一种方法，用于估计基于深度学习的目标检测模型在电子显微镜（TEM）图像中检测缺陷的性能，具体 focus on 检测金属合金中由辐照引起的空腔。我们开发了一个随机森林回归模型，用于预测目标检测F1分数，这是用于评估准确定位和分类感兴趣对象的能力的统计指标。随机森林模型使用从目标检测模型（即正在量化其不确定性的模型）的预测中提取的特征，使其能够在新建模图像上进行快速预测。对测试数据的预测F1的平均绝对误差（MAE）为0.09，R²得分为0.77，表明随机森林回归模型预测的F1分数与真实缺陷检测F1分数之间存在显著相关性。该方法在三个具有不同成像和材料领域的TEM图像数据集上表现出鲁棒性。我们的做法使用户能够估计缺陷检测和分割模型预测的可靠性，并评估该模型适用于其特定数据集的适用性，提供关于可能领域偏移以及是否需要针对特定用例进行微调或训练以获得最大效能的有价值信息。