多阶段贝叶斯卷积神经网络中的不确定性传播与融合及其在肺结节检测中的应用
计算机视觉与模式识别
2018-02-15 v1 机器学习
摘要
受计算机辅助检测（CAD）肺结节问题的启发，我们引入了在多阶段贝叶斯卷积神经网络（CNN）架构中传播和融合不确定性信息的方法。我们试图回答的问题是“我们能否利用一个深度学习模型所提供的模型不确定性来改善后续深度学习模型的性能，并最终改善多阶段贝叶斯深度学习架构的整体性能？”。我们的实验表明，通过流水线传播不确定性使我们能够在最终预测准确率和模型置信度两方面都改善整体性能。
引用
@article{arxiv.1712.00497,
title = {Propagating Uncertainty in Multi-Stage Bayesian Convolutional Neural Networks with Application to Pulmonary Nodule Detection},
author = {Onur Ozdemir and Benjamin Woodward and Andrew A. Berlin},
journal= {arXiv preprint arXiv:1712.00497},
year = {2018}
}
备注
NIPS Workshop on Bayesian Deep Learning, 2017