利用深度贝叶斯变分推断的不确定性感知视听活动识别

ICCVNov, 2018

利用深度贝叶斯变分推断的不确定性感知视听活动识别

Uncertainty aware audiovisual activity recognition using deep Bayesian variational inference

Mahesh Subedar, Ranganath Krishnan, Paulo Lopez Meyer, Omesh Tickoo, Jonathan Huang

TL;DR本研究提出了一种考虑个体单模态预测不确定性的多模态贝叶斯融合框架，采用行为识别作为应用案例，并结合确定性和变分层混合以扩展贝叶斯深度神经网络的深层架构，在 Moments-in-Time 数据集的实验中表现出优于基准方法和 Monte Carlo dropout 方法的可靠置信度，并在 UCF101 和 MiT 数据集上证明了该框架从中提取的预测不确定性能够识别元数据。

Abstract

deep neural networks (DNNs) provide state-of-the-art results for a multitude of applications, but the approaches using DNNs for multimodal audiovisual applications do not consider predictive uncertainty associate

deep neural networks bayesian deep learning multimodal fusion framework activity recognition predictive uncertainty

发现论文，激发创造

基于变分推断的贝叶斯活动识别

应用贝叶斯深度学习框架对视觉活动识别应用进行建模，推断模型参数的后验分布并在预测分布上施加蒙特卡罗采样以实现可靠的不确定性估计，可为关键性的安全保障应用提供一定的量化信任，相比传统的深度神经网络，在视觉活动识别精度 - 召回 AUC 方面有显著的提高。

Nov, 2018

通过贝叶斯学习深度神经网络结构来度量不确定性

这篇研究论文探究了一种新型的贝叶斯深度学习，通过在网络结构上执行贝叶斯推断来加强深度网络的不确定性估计，并提出了一种有效的随机变分推断方法，以统一网络结构和权重的学习。

Nov, 2019

神经网络不确定性估计在分类问题中的质量比较

对深度学习的 UQ 方法进行了质量评估，比较了不同模型的不确定性估计质量。

Aug, 2023

深度学习中的多元不确定性

本文论述了深度学习在自主驾驶和机器人中导航和状态估计中的应用，为了在黑盒模型和卡尔曼和其他贝叶斯滤波器中更加稳妥可靠地使用深度学习，需要准确地量化多变量不确定性，提出并实验了通过神经网络建模多元不确定性的方法，并证明精确的多变量不确定性量化对于卡尔曼滤波器性能在领域内和领域外评估数据中的巨大影响，同时指出端到端滤波器训练可以允许不确定性预测来补偿滤波器的不足。

Oct, 2019

深度学习不确定性估计的通用框架

提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，这个方法具有与神经网络结构和任务无关，不需要优化进程的更改，能够应用于已经训练好的结构，有效地提高了准确性。

Jul, 2019

模型和参数不确定性下的贝叶斯神经网络变分推断

本研究旨在利用模型不确定性作为 BNN 结构学习的框架，提出了可与模型空间约束结合的可扩展变分推理方法，试图在模型和参数的联合空间中进行推理，进而实现结构和参数不确定性的组合，并在基准数据集上进行了实验，表明使方法比普通 Bayesian neural networks 更加稀疏，但得到了与竞争模型相当的精度结果。

May, 2023

使用不确定性的信息数据选择在多模式物体检测中

本研究提出了一种基于深度学习的通用不确定性感知多模态融合模型，该模型采用多管道宽松耦合架构将点云和图像特征进行组合，并将不确定性嵌入在边界框生成中，以生成可靠的输出，在 KITTI 2D 物体检测数据集和其衍生的 “脏数据” 中得到了验证。

Apr, 2023

使用深度集成实现简单且可扩展的预测不确定性估计

本研究提出了一种替代贝叶斯 NN 的简单实现方法，其能够产生高质量的预测不确定性估计，并在分类和回归数据集上进行了实验以证明这一点。此外，研究还评估了在已知和未知数据分布下的预测不确定性，并证明该方法能够在超出分布的样本上表现出更高的不确定性，同时在 ImageNet 上证明了该方法的可扩展性。

Dec, 2016

端到端控制的空间不确定性采样

本文提出了一种利用特征映射相关性估计不确定性的贝叶斯神经网络用于端到端控制，该方法在传统元素级 dropout 方法上实现了更好的模型拟合和更紧密的不确定性估计。

May, 2018

信息先验提高多模态临床数据分类的可靠性

利用机器学习辅助临床决策支持有潜力显著改善患者护理，本研究设计了一种定制的多模态数据驱动的概率分布，并提出了一种简单可扩展的高斯平均场变分推理来训练具有该先验的贝叶斯神经网络，根据实验结果表明，该方法相比确定性和贝叶斯神经网络的基准模型产生了更可靠的预测模型。

Nov, 2023