Mar, 2022

及时的一针可以节省九针：列车时间正则化损失以提高神经网络校准

PDF
TL;DR本文提出了一个新的辅助损失函数（MDCA）用于深度神经网络的精确度校准，培训使用 MDCA 的模型能够在预测标签方面表现更好，显著提高期望校准误差和静态校准误差，在图像分类和分割任务中比当前的最佳方法更加精确。
deep neural networkscalibrationmdcaexpected calibration errorsegmentation
发现论文，激发创造
  • 面向模型校准的任务特定正则化损失用于可靠的肺癌检测

    我们提出了一种新的任务特定损失函数来校准神经网络，以减少过于自信的错误，并结合多分类置信度和准确性（MDCA）损失函数，通过进行温度缩放的后校准，实现期望校准错误（ECE）的提升 5.98% 和最大校准错误（MCE）的提升 17.9%，相较于最佳性能 SOTA 算法。

    Jan, 2024

  • 网络校准的置信度和确定性的多类别对齐

    我们提出了一种基于多类对齐预测均值置信度和预测确定度（MACC）的新的训练时校准方法，通过鼓励模型在预 softmax 分布中提供低（或高）扩散，从而达到了领域内和领域外预测的最先进校准性能。

    Sep, 2023

  • 精度和置信度的桥梁：一种用于校准目标检测的训练时损失

    本文针对深度神经网络 (DNNs) 对于物体检测模型的校准问题，提出了一种新的辅助损失函数公式来对齐边界框类别置信度和准确性，并通过在多个基准数据集上的实验验证其有效性。

    Mar, 2023

  • Cal-SFDA：无源域自适应语义分割与可微的期望校准误差

    提出了一种新的校准引导的无源自适应语义分割 (Cal-SFDA) 框架，该框架通过估计预期校准误差 (ECE) 进行模型训练和选择，以适应目标域数据，并在两个常用的合成 - 真实转移任务上超过了先前的最新技术。

    Aug, 2023

  • 超越领域场景：稳健的密度感知校准

    使用基于最近邻的密度感知校准方法，利用分类器的隐藏层作为不确定性相关信息的来源对深度学习模型进行校准，提高了对域漂移和离域数据的可靠性，并在保持良好域内预测不确定性估计的同时，提高了校准的鲁棒性。

    Feb, 2023

  • 神经网络的软校准目标

    为了更好地进行决策，神经网络的不确定性需要和其经验准确性相一致。本研究提出基于连续的分组操作的可微损失函数用于改善神经网络的校准。实验结果表明使用此方法不仅能大幅度降低误差校准误差，还能在保持准确性不变的同时，得到更好的不确定性估计。

    Jul, 2021

  • 目标检测的多类置信度和定位校准

    本文使用新的训练技术，利用预测不确定性联合校准多类置信度和边界框定位，在多个数据集中测试表明，该方法可以有效地提高现代物体检测方法的校准性能。

    Jun, 2023

  • MoCaE: 混合校准专家显著改进目标检测

    通过将不同目标检测器合理结合，在不同任务上证明了 MoCaE 方法的有效性，并在 COCO、LVIS 和 DOTA 数据集上取得了显著的结果提升。

    Sep, 2023

  • 平均校准误差：图像分割中提高可靠性的可微损失

    使用 mL1-ACE 作为辅助损失函数，改进像素级校准，提出数据集可靠性直方图概念，减少平均校准误差和最大校准误差并保持 87% 的 Dice 分数。

    Mar, 2024

  • 元校准：使用可微分的期望校准误差学习模型校准

    提出一种新颖的框架，其中引入了可微替代预期校准误差 (DECE)，以直接优化校准质量，并采用 DECE 进行元学习框架，实现了对模型超参数的验证集校准优化。该框架在解决模型校准方面具有开创性，并在与业界最新校准方法的对比实验中取得了竞争力的表现。

    Jun, 2021