场景不确定性与确定性图像分类器的惠灵顿后验
计算机视觉与模式识别
2023-03-28 v2 机器学习
机器学习
摘要
我们提出一种估计图像分类器在给定输入数据上结果不确定性的方法。常用于图像分类的深度神经网络是从输入图像到输出类别的确定性映射。因此，其在给定数据上的结果不含不确定性，故在定义、度量与解释不确定性并将“置信度”归于结果时，必须指明我们所指何种变异性。为此，我们引入惠灵顿后验(Wellington Posterior)，即由生成给定图像的同一场景可能生成的数据所引发的结果分布。由于可生成任意给定图像的场景有无穷多个，惠灵顿后验涉及来自所描绘场景之外其他场景的归纳迁移。我们探索使用数据增强、dropout、集成、单视图重建与模型线性化来计算惠灵顿后验。其他方法包括使用条件生成模型如生成对抗网络、神经辐射场与条件先验网络。我们针对通过对同一底层场景的多幅图像进行推断所获得的经验后验测试这些方法。这些进展仅是朝以符合安全关键应用与人类解释的方式评估深度网络分类器可靠性迈进的一小步。
引用
@article{arxiv.2106.13870,
title = {Scene Uncertainty and the Wellington Posterior of Deterministic Image Classifiers},
author = {Stephanie Tsuei and Aditya Golatkar and Stefano Soatto},
journal= {arXiv preprint arXiv:2106.13870},
year = {2023}
}