使用MCMC与VI训练的贝叶斯神经网络进行高光谱图像目标检测
图像与视频处理
2023-08-15 v1 机器学习
摘要
神经网络（NN）在图像分类中已几乎无处不在，但其标准形式产生点估计，无置信度度量。贝叶斯神经网络（BNN）通过后验分布为NN预测与估计提供不确定性量化（UQ）。随着NN应用于更多高后果场景，UQ正成为一项要求。BNN通过不仅给出准确预测与估计，还给出一个包含所需概率内合理值的区间，为此问题提供解决方案。尽管有诸多优点，BNN以 notoriously 困难且耗时的训练著称。传统贝叶斯方法使用马尔可夫链蒙特卡洛（MCMC），但常因过慢被弃用。最常用的方法是变分推断（VI），因其计算快速，但其有效性存在多重担忧。我们在高光谱影像（HSI）目标检测背景下应用并比较了MCMC与VI训练的BNN，其中感兴趣材料可由其独特光谱特征识别。由于HSI实际采集对测得光谱的众多扰动效应，这是一个具挑战性的领域。两模型均使用现成工具在高质量HSI目标检测场景上训练。MCMC与VI训练的BNN在模拟HSI场景目标检测上总体表现良好。本文提供了如何利用UQ优势的示例，也提醒注意不同训练方法对同一模型可给出不同结果。若有充足计算资源，应使用最佳方法而非最快或最高效方法，尤其对高后果问题。
引用
@article{arxiv.2308.06293,
title = {Target Detection on Hyperspectral Images Using MCMC and VI Trained Bayesian Neural Networks},
author = {Daniel Ries and Jason Adams and Joshua Zollweg},
journal= {arXiv preprint arXiv:2308.06293},
year = {2023}
}