ICMLJun, 2021

旋转预测对分类器在不同测试环境下准确性的影响

PDF
TL;DR本文针对图像分类器在新环境下的分类决策问题，通过多任务学习方法，发现语义分类精度与旋转预测任务准确性有强线性关系（Pearson 相关系数 r> 0.88），从旋转预测任务的准确性，应用线性回归估计分类器性能。
classifier decisionnovel environmentssemantic classificationrotation predictionlinear regression
发现论文，激发创造
  • 无需旋转注释的旋转检测学习知识融合

    本文提出一种基于共训练的方法，通过在目标数据集上进行更便宜的轴对齐注释，预测精确的旋转框，解决传统旋转检测器的旋转边界框注释耗时的问题。通过在跨域数据集上的知识转移，该方法可显著提高较弱注释数据集的学习效果，在各种目标数据集上表现良好。

    Apr, 2023

  • 目标检测中的旋转不变性

    本文探讨了原先在物体检测中使用的最大框方法会导致误差较大，提出了一种新的椭圆形框方法来增强模型对旋转的不变性。同时，引入旋转不确定性损失，使模型能够适应标签的不确定性，并通过实验验证了该方法在几个不同的数据集上能够显著提高模型的旋转不变性。

    Sep, 2021

  • 通过多个查询在闭源模型中进行不确定性估计的方法：只需旋转！

    我们提出了一种简单而有效的方法来估计闭源深度神经网络图像分类模型的不确定性。通过创建多个转换版本并使用它们来查询闭源模型的顶级预测，我们的方法能够在不确定性估计方面显著提高校准度。通过实证结果和直观的理论分析，我们阐明了自然转换优于高斯噪声的卓越性能背后的原因，并利用这些洞察力提出了一种进一步改善校准结果的迁移学习方法。

    May, 2024

  • 通过预测图像旋转进行无监督表示学习

    本研究提出利用 2D 旋转来训练卷积神经网络学习图像特征的无监督语义特征学习方法，并在演示和各种无监督特征学习基准测试中详尽评估该方法，在所有测试中均表现出明显的优异性能。

    Mar, 2018

  • 旋转增强技术：图像分类集成学习的新视角

    本研究提出了一种新方法，在原始数据集上进行基于旋转的数据增强， 使用集成学习系统确定增强阶段获取的每个子集中最可靠的结果，以获得每个原始图像的最终预测并发现使用基于集成的投票系统比简单投票方法产生更准确的结果。

    Jun, 2023

  • 通过图像变形的不变性获得信心

    本文介绍了一种自动检测预先训练的视觉分类器中分类错误的技术，该技术是对分类器形式不可知的，并且仅需要访问对一组输入的分类器响应。我们使用由来源于同一输入的多个分类器响应生成的表示的参数二元分类器 (错误 / 正确) 进行训练，每个分类器都受不同的自然图像变换的影响。因此，我们通过分析分类器在各种转换下的不变性来建立分类器决策的置信度的度量。在多个数据集（STL-10、CIFAR-100、ImageNet）和分类器的实验中，我们展示了错误检测任务的新的最先进结果。此外，我们将该技术应用于新颖性检测场景，并展示了最先进的结果。

    Apr, 2018

  • SelfAugment：自监督学习自动增强策略

    本文通过自监督的方式，解决了在无监督学习中选取数据扩增策略的问题，同时验证了自监督学习的准确性。

    Sep, 2020

  • 语义分割的可靠性：我们是否走在正确的轨道上？

    在计算机视觉中，轻量级模型通常通过使用 transformers，提高模型的性能，本文探讨如何通过四项指标 (强度、校准、描述和区外检测) 来提高模型的可靠性。

    Mar, 2023

  • 使用密集相关体进行极端旋转估计

    本论文通过神经网络比较两张 RGB 图像中所有点对的特征，构造密集的特征相关体并处理，以预测非重叠图像间的相对三维旋转，在室内外不同光照和地理位置情况下成功实现了对非重叠图像的旋转估计，避免了在即使重叠面积很小或没有重叠的图像之间的估计难题。

    Apr, 2021

  • 分类器准确性评估是否总是需要标签？

    本文讨论了在存在未标记测试数据时自动模型评估的问题，并提出了一种利用采样数据和回归模型估计模型精度的方法，称之为 AutoEval。

    Jul, 2020