面向海上目标分类的鲁棒不确定性估计
机器学习
2023-07-06 v1 机器人学
摘要
我们探索了不确定性估计在海上领域的应用，在玩具数据集（CIFAR10）上展示了其有效性，并在内部数据集 SHIPS 上进行了验证。我们提出了一种方法，将使用 Monte Carlo Dropout 获得的类内不确定性与异常检测领域的近期发现相结合，以获得更整体的不确定性度量。我们探究了所引入不确定性度量之间的关系，并考察了它们在 CIFAR10 和真实场景中的表现。与当前性能最优的工作相比，在模型未使用分布外数据训练时，我们的工作将 FPR95 改善了 8%。与 Wide ResNet 的朴素实现相比，我们将性能提升了 77%。我们发布了 SHIPS 数据集，并通过将 FPR95 较基线提升 44.2% 展示了方法的有效性。我们的方法模型无关、易于实现，且通常不需要重新训练模型。
引用
@article{arxiv.2307.01325,
title = {Robust Uncertainty Estimation for Classification of Maritime Objects},
author = {Jonathan Becktor and Frederik Scholler and Evangelos Boukas and Lazaros Nalpantidis},
journal= {arXiv preprint arXiv:2307.01325},
year = {2023}
}