目标检测的多类置信度和定位校准
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
提出了一种新的方法来测量并校准物体检测方法的偏置(或机器不准确)置信度估计,使用附加信息可以在图像位置和框比例方面获得校准的信心估计,并提出了一种新的度量方法来评估物体检测器的不准确性。
Apr, 2020
该研究论文探讨了在深度神经网络中定义和估计检测校准误差的挑战,并提出了一种一致且可微的检测校准误差估计器,利用核密度估计,实验证明该估计器在保持相似检测性能的同时,对竞争的训练时和事后校准方法更为有效。
Dec, 2023
应用于自动驾驶和手术机器人等许多安全关键应用中,从对象检测模块获取预测不确定性以帮助支持安全决策是可取的。本文中我们介绍了一种方法用于解决单个对象定位任务的边界框的不确定性问题。我们使用现有技术来校准回归模型,实验表明所得出的校准模型得到了更可靠的不确定性估计。
Nov, 2018
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
本文研究了深度神经网络模型校准方面的现有问题,并发现这类模型存在大量 “几乎确定” 置信度,导致常常过于自信。同时,文章提出可采用 Mixup 数据增强技术中的修改损失函数的方法来解决此类问题。
Jun, 2023
该研究提出了一种基于显著性启发的神经网络模型,可以有效地在图像中检测出包含任何感兴趣的对象的一组类不可知的边界框,而不需要针对每个实例复制输出,并在 VOC2007 和 ILSVRC2012 上获得了具有竞争力的识别性能。
Dec, 2013