不确定性感知 CNN 用于深度补全：从始至终的不确定性
计算机视觉与模式识别
2020-06-08 v1 机器学习
摘要
深度学习研究的焦点大多在于推高预测精度的极限。然而，这常以增加复杂性为代价，引发了对深度网络可解释性与可靠性的担忧。近来，人们愈发关注厘清深度网络的复杂性并为不同计算机视觉任务量化其不确定性。不同的是，尽管深度传感器具有固有的噪声特性，深度补全任务仍未受到足够关注。在本工作中，我们因而聚焦于对深度补全中深度数据不确定性的建模，从稀疏噪声输入一直到最终预测。我们提出一种新方法，通过基于归一化卷积神经网络(NCNNs)以自监督方式学习输入置信度估计器来识别输入中受扰动的测量值。此外，我们提出 NCNNs 的概率版本，为最终预测产生具有统计意义的不确定性度量。当我们在 KITTI 数据集上评估我们的深度补全方法时，我们在预测精度、不确定性度量质量和计算效率方面均优于所有现有的贝叶斯深度学习方法。而且，我们仅含 670k 参数的小网络性能与具有数百万参数的常规方法相当。这些结果强有力地表明，将网络分离为并行的不确定性流与预测流可带来具精确不确定性估计的顶尖性能。
引用
@article{arxiv.2006.03349,
title = {Uncertainty-Aware CNNs for Depth Completion: Uncertainty from Beginning to End},
author = {Abdelrahman Eldesokey and Michael Felsberg and Karl Holmquist and Mikael Persson},
journal= {arXiv preprint arXiv:2006.03349},
year = {2020}
}
备注
CVPR2020 (8 pages + supplementary)