预测准确性与可靠性：分布偏移下的分类与目标定位
计算机视觉与模式识别
2024-09-24 v1 人工智能
机器学习
摘要
自然分布偏移会导致卷积神经网络的感知性能下降。这项针对真实世界交通数据的综合分析探讨了：1) 研究自然分布偏移和天气增强对检测质量和置信度估计的影响，2) 评估分类和目标定位的模型性能，3) 在自然和接近自然的分布偏移下对两种常见的不确定性量化方法——Ensembles 和 Monte-Carlo (MC) Dropout 的不同变体——进行基准测试。为此，从公开可用的自动驾驶数据集中精心制作了一个新颖的数据集。分布内 (ID) 数据基于单个目标的裁剪块，这些目标具有类别和边界框标注。六个分布偏移数据集涵盖了恶劣天气场景、模拟雨和雾、边缘情况以及分布外数据。对分布偏移下 CNN 的细粒度分析允许量化不同类型偏移对任务性能和置信度估计的影响：ConvNeXt-Tiny 比 EfficientNet-B0 更鲁棒；与浓雾相反，大雨对分类的降级强于对定位的降级；仅将 MC-Dropout 集成到选定层中有潜力增强任务性能和置信度估计，其中这些层的识别取决于分布偏移的类型和所考虑的任务。
引用
@article{arxiv.2409.03543,
title = {Prediction Accuracy & Reliability: Classification and Object Localization under Distribution Shift},
author = {Fabian Diet and Moussa Kassem Sbeyti and Michelle Karg},
journal= {arXiv preprint arXiv:2409.03543},
year = {2024}
}
备注
This preprint has not undergone any post-submission improvements or corrections