用于深度学习图像分类中数据与类特定不确定性估计的测试时混合增强
计算机视觉与模式识别
2024-02-15 v3 人工智能
摘要
对已训练深度学习网络的不确定性估计对于优化学习效率和评估网络预测的可靠性具有重要价值。本文中，我们提出一种利用测试时混合增强（TTMA）估计深度学习图像分类不确定性的方法。为提升现有偶然不确定性中区分正确与错误预测的能力，我们通过将 mixup 增强应用于测试数据并测量预测标签直方图的熵，引入 TTMA 数据不确定性（TTMA-DU）。除 TTMA-DU 外，我们提出 TTMA 类特定不确定性（TTMA-CSU），其捕获训练网络中特定于各个类的偶然不确定性，并提供关于类混淆与类相似性的洞察。我们在 ISIC-18 皮肤病变诊断数据集与 CIFAR-100 真实世界图像分类数据集上验证了所提方法。实验表明：(1) 由于 mixup 扰动，TTMA-DU 相比现有不确定性度量更有效区分正确与错误预测；(2) TTMA-CSU 为两个数据集提供了类混淆与类相似性的信息。
引用
@article{arxiv.2212.00214,
title = {Test-Time Mixup Augmentation for Data and Class-Specific Uncertainty Estimation in Deep Learning Image Classification},
author = {Hansang Lee and Haeil Lee and Helen Hong and Junmo Kim},
journal= {arXiv preprint arXiv:2212.00214},
year = {2024}
}