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/

成为VIP会员查看完整内容
10

相关内容

计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
计算机视觉方向简介 | 多视角立体视觉MVS
计算机视觉life
14+阅读 · 2019年10月10日
论文浅尝 | 基于深度序列模型的知识图谱补全
开放知识图谱
29+阅读 · 2019年5月19日
该如何对「半监督学习算法」实际性应用进行评估?
炼数成金订阅号
7+阅读 · 2018年4月27日
读书报告 | Deep Learning for Extreme Multi-label Text Classification
科技创新与创业
48+阅读 · 2018年1月10日
EfficientDet: Scalable and Efficient Object Detection
Arxiv
6+阅读 · 2019年11月20日
Parsimonious Bayesian deep networks
Arxiv
5+阅读 · 2018年10月17日
Arxiv
7+阅读 · 2018年3月21日
VIP会员
相关VIP内容
微信扫码咨询专知VIP会员