SLURP：面向回归问题的侧学习不确定性估计
计算机视觉与模式识别
2022-01-04 v2 机器学习
摘要
深度学习算法量化其输出不确定性以满足可靠性约束并提供准确结果已变得至关重要。由于分类任务具有更直观的标准化输出且重要性高，回归的不确定性估计所受关注少于分类。然而，计算机视觉中广泛遇到回归问题。我们提出 SLURP，一种通过利用主任务模型生成的输出与中间表示的侧学习器进行回归不确定性估计的通用方法。我们在计算机视觉中两项关键回归任务上测试 SLURP：单目深度与光流估计。此外，我们进行了详尽基准测试，包括迁移至不同数据集与添加偶然噪声。结果表明我们的方案具有通用性，可轻易应用于各类回归问题，且相较现有方案计算成本低。
引用
@article{arxiv.2110.11182,
title = {SLURP: Side Learning Uncertainty for Regression Problems},
author = {Xuanlong Yu and Gianni Franchi and Emanuel Aldea},
journal= {arXiv preprint arXiv:2110.11182},
year = {2022}
}
备注
Accepted at BMVC 2021