May, 2024

目标检测器的校准：陷阱、评估与基准

PDF
TL;DR使用物体探测器需要进行校准，本研究针对最近的评估框架、评估指标和校准方法存在的问题进行了分析，并提出了一种基于准确度和校准性能同时评估物体探测器的原则性评估框架，以及为物体检测任务量身定制的高效且易于使用的校准方法。实验证明，相较于最近的训练时校准方法，后处理校准器更强大和有效。
object detectorscalibrationloss functionstemperature scalingevaluation frameworks
发现论文，激发创造
  • Cal-DETR: 分类校准检测器

    提出一种用于校准检测变压器的机制，以减少深度神经网络在目标检测中的错误率并提高其校准性能。

    Nov, 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

  • 通过提高预测正确性意识来优化校准

    模型校准的新后续校准目标函数通过使用样本的转换版本来减少模型对错误预测样本的置信度并增加对正确预测样本的置信度，从而与现有技术在校准性能上达到相当竞争水平。

    Apr, 2024

  • 超越分类：目标检测中校准的定义与基于密度的估计

    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

  • 目标检测的多元置信度校准

    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

  • 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

  • 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

  • 长尾识别的双通道温度缩放校准

    该研究论文提出了一种双分支温度缩放校准模型 (Dual-TS)，同时考虑了不同类别的温度参数的多样性和少数类别中稀有样本的温度参数的非通用性，并提出了新的校准评估度量 Esbin-ECE。实验证明，该模型在传统 ECE 和 Esbin-ECE 指标中均达到了最先进水平。

    Aug, 2023

  • 评估目标检测中的不确定性校准的理论和实践框架

    本研究提出了一个理论和实践框架，用于评估不确定性校准的对象检测系统，通过一系列的实验表明了所提出的不确定性校准度量的稳健性。

    Sep, 2023

  • 如何评估分类器的校准性：在特定上下文可靠性定义下的分类器校准性评估

    本文针对分类器标定的问题，提出以正确描述其应用背景为目的，开发更准确反映标定误差的更具表达力的度量标准；其中，基于期望标定误差的推广，提出了几种不同的度量标准，分别反映了针对不同的可靠性定义的标定误差；此外，基于这些不同的度量标准，作者对常用的神经网络结构和标定技术进行了广泛的实证评估，发现许多常用的标定技术在这些不同可靠性定义的标定误差上并未有统一的改善.

    May, 2022