SURE：构建可靠且鲁棒深度网络的调查指南
计算机视觉与模式识别
2024-03-04 v1
摘要
在本文中，我们回顾了深度神经网络中的不确定性估计技术，并整合了一套技术以增强其可靠性。我们的研究表明，综合应用涵盖模型正则化、分类器和优化的多种技术，能显著提高图像分类任务中不确定性预测的准确性。这些技术的协同效应促成了我们新颖的 SURE 方法。我们在失败预测这一不确定性估计效力的关键测试平台上对 SURE 进行了严格评估。我们的结果显示，在各种数据集和模型架构上，SURE 的表现始终优于单独部署每种技术的模型。当应用于数据损坏、标签噪声和长尾类别分布等现实挑战时，SURE 表现出卓越的鲁棒性，其结果优于或等同于当前最先进的专用方法。特别是在针对含噪标签学习的 Animal-10N 和 Food-101N 数据集上，SURE 在无需任何特定任务调整的情况下实现了最先进的性能。这项工作不仅为鲁棒不确定性估计设立了新基准，也为其在可靠性至关重要的多样化现实场景中的应用铺平了道路。我们的代码可在 \url{https://yutingli0606.github.io/SURE/} 获取。
引用
@article{arxiv.2403.00543,
title = {SURE: SUrvey REcipes for building reliable and robust deep networks},
author = {Yuting Li and Yingyi Chen and Xuanlong Yu and Dexiong Chen and Xi Shen},
journal= {arXiv preprint arXiv:2403.00543},
year = {2024}
}
备注
Accepted to CVPR2024