迈向稳健的黑色废金属分类：深度学习与保形预测
计算机视觉与模式识别
2024-04-22 v1 机器学习
摘要
在钢铁生产领域，回收黑色废金属对于环境和经济的可持续性至关重要，因为它能同时降低能源消耗和温室气体排放。然而，废金属分类构成重大挑战，需要自动化技术的进步。此外，在人类操作员中建立信任是一个主要障碍。传统方法通常无法量化不确定性且在模型决策中缺乏透明度，这使得其难以被接受。在本文中，我们描述了如何利用保形预测来量化不确定性并增强废金属分类的稳健性。我们调整了分裂保形预测技术，使其与最先进的计算机视觉模型（如 Vision Transformer (ViT)、Swin Transformer 和 ResNet-50）无缝集成，同时结合了可解释人工智能 (XAI) 方法。我们使用包含九个黑色废金属类别的 8147 张图像的综合数据集对该方法进行了评估。分裂保形预测方法的应用使得量化每个模型的不确定性成为可能，从而增强了对预测的理解并提高了结果的可靠性。具体而言，Swin Transformer 模型表现出比其他模型更可靠的结果，其平均预测集大小更小且平均分类准确率超过 95%。此外，Score-CAM 方法在澄清视觉特征方面证明非常有效，显著增强了分类决策的可解释性。
引用
@article{arxiv.2404.13002,
title = {Towards Robust Ferrous Scrap Material Classification with Deep Learning and Conformal Prediction},
author = {Paulo Henrique dos Santos and Valéria de Carvalho Santos and Eduardo José da Silva Luz},
journal= {arXiv preprint arXiv:2404.13002},
year = {2024}
}