深度学习的不确定性量化与高资源消耗的计算机视觉应用
计算机视觉与模式识别
2022-05-31 v1 机器学习
摘要
将深度神经网络（DNNs）引入自动化驾驶、医学影像和金融等安全关键应用，需要对模型的不确定性进行妥善处理。训练深度神经网络本就资源消耗巨大，其不确定性量化亦复如此。在本综述文章中，我们调研了我们所开发的、用于教导 DNNs 在遇见新物体类别时保持不确定的方法。此外，我们呈现了借助不确定性量化仅用少量标签进行学习训练的方法。需注意，这通常以相比普通网络训练至少一个数量级及以上的巨大计算开销为代价。最后，我们调研了关于神经架构搜索的工作，其资源消耗也较普通网络训练高出一个数量级。
引用
@article{arxiv.2205.14917,
title = {Uncertainty Quantification and Resource-Demanding Computer Vision Applications of Deep Learning},
author = {Julian Burghoff and Robin Chan and Hanno Gottschalk and Annika Muetze and Tobias Riedlinger and Matthias Rottmann and Marius Schubert},
journal= {arXiv preprint arXiv:2205.14917},
year = {2022}
}