概率 MIMO U-Net：高效且精确的像素级回归不确定性估计
计算机视觉与模式识别
2023-08-16 v1 图像与视频处理
摘要
机器学习中的不确定性估计对于提升预测模型的可靠性与可解释性至关重要，尤其在高风险现实场景中。尽管已有众多方法，它们往往在不确定性估计质量与计算效率之间权衡。为应对此挑战，我们提出了多输入多输出（MIMO）框架的适配方案——一种利用深度神经网络过参数化的方法——用于像素级回归任务。我们的 MIMO 变体将该方法的适用性从简单图像分类拓展至更广的计算机视觉领域。为此，我们改编了 U-Net 架构，以在单一模型内训练多个子网络，充分利用深度神经网络中的过参数化。此外，我们引入了一种在 MIMO 框架内同步子网络性能的新流程。我们在两个正交数据集上对所得 MIMO U-Net 的全面评估表明，其精度与现有模型相当，在分布内数据上具有更优校准，具备鲁棒的分布外检测能力，并在参数规模与推理时间上取得可观改进。代码见 github.com/antonbaumann/MIMO-Unet
引用
@article{arxiv.2308.07477,
title = {Probabilistic MIMO U-Net: Efficient and Accurate Uncertainty Estimation for Pixel-wise Regression},
author = {Anton Baumann and Thomas Roßberg and Michael Schmitt},
journal= {arXiv preprint arXiv:2308.07477},
year = {2023}
}
备注
8 pages (references do not count), Accepted at UnCV (Workshop on Uncertainty Quantification for Computer Vision at ICCV)