【论文】评估可扩展贝叶斯深度学习强大的计算机视觉的方法（Evaluating Scalable Bayesian Deep LearningMethods for Robust Computer Vision）

题目： Evaluating Scalable Bayesian Deep LearningMethods for Robust Computer Vision

摘要： 虽然深度神经网络（DNNs）已经成为计算机视觉领域的热门研究方向，但这些模型中的绝大多数都未能正确地捕捉到预测中的不确定性。估计这种预测的不确定性是至关重要的，例如不真实的应用。在贝叶斯深度学习中，预测不确定性通常被分解为任意和认知不确定性的不同类型。前者可以通过让DNN输出一定概率分布的参数来估计。认知不确定性估计是一个非常具有挑战性的问题，虽然最近出现了不同的可扩展方法，但在现实环境中并没有进行广泛的比较。因此，我们接受了这一任务，并提出了一个可扩展的认知不确定性估计方法的综合评估框架。我们提出的框架是专门为测试真实世界中计算机视觉应用所需的不确定性而设计的。我们还应用这一框架来提供两种当前最先进的可伸缩方法：ensembling和MC-dropout的第一个适当的结论性比较。我们的比较表明，集合一致地提供了更可靠和实际有用的不确定性估计。

作者简介： Fredrik K. Gustafsson，乌普萨拉大学博士，研究集中在自主驾驶和医学影像的不确定性感知深度学习。个人主页：http://www.fregu856.com/