- ECCV针对失败预测的置信度校准反思
研究表明,许多置信度校准方法对于失败预测通常是无用或有害的;作者提出了一个假设平坦极小值有助于失败预测,并通过实验证实了这一假设。
- ECCV提高置信度估计的可靠性
本研究提出了一种基于元学习的框架来同时提高置信度估计模型在不均衡数据和各种数据输入情况下的表现,并在单目深度估计和图像分类任务中进行了验证。
- 深度神经网络对数字病理学中常见损伤的健壮性基准测试
本文为评估深度神经网络在受损病理图像上的表现建立了易于使用的基准,发现了多种深度神经网络模型存在显著的精度下降和不可靠的置信度评估,并提出了一种用于将验证集替换为该基准集的新方法。
- 平衡成本和质量:探索人在环中的框架,用于自动化短答案评分
本文介绍了一种人与深度学习模型相结合的方法,用于保证短文评分的质量和降低评分成本。通过引入可靠度估计方法来强制高质量的自动评分结果,同时把低可靠度的评分结果交给人类评分者来完成,实现了自动评分和人类评分者的协同作业。实验表明,该方法可以达到 - 基于 Transformer 的神经机器翻译学习自信度
本论文介绍了一个在神经机器翻译中实现置信度估计的方法,通过让 NMT 模型向用户请求 “提示” 来确定置信度,进一步提出了利用置信度的标签平滑方法。实验结果表明,在真实世界的嘈杂和跨领域数据的情况下,该方法可以准确评估潜在的风险。
- ECCV野外环境中的领域自适应手部关键点和像素定位
本文提出了一种依靠两个网络的预测结合来估计目标图像可信度并进行自我训练的方法,以提高手部关键点回归和分割性能在不同成像条件下的适应性。
- 一项用于估计发表作品置信度的合成预测市场
本研究开发了一种合成预测市场来评估社会与行为科学文献中已发表声明的可信度,并使用一系列已知的复制项目来展示该系统,并建议此项工作为使用人工智能进行同行评审奠定了基础。
- EMNLP自然语言推理模型能否验证问答系统的预测?
本文探讨如何利用自然语言推理来验证问答系统提供的答案是否正确,并通过使用大型预训练模型和最新的数据集来构建 QA 实例的前提 - 假设配对,进而将 QA 和 NLI 数据集结合以训练 NLI 模型,以此提高 QA 模型的准确性和置信度。
- ACL带有置信度估计的有噪标注命名实体识别
该研究采用校准置信度估计的方式来研究深度学习在实际场景下的命名实体识别问题,提出了一种基于本地和全局独立性假设的置信得分估计策略,并结合 CRF 模型来隔离低置信度标签,同时提出了一种基于实体标签结构的置信度校准方法,最后将其集成到自我训练 - 深度学习时代的立体匹配置信度:定量评估
本文回顾了十多年来用于立体匹配置信度估计的算法和策略,并评估了现有的置信度估计方法,包括手工设计的和最新的基于学习的方法,在五个标准数据集上进行实验,并首次将一个最先进的深度立体网络与置信度测量技术配对进行比较,旨在提供该领域的全面概述,并 - 一种带有不确定性的新分布排序损失函数:相对深度估计中的应用
该论文提出了一种新的相对深度估计方法,通过对深度分布进行概率分布的估计来提高估计的准确性,并提出了 Distributional Loss 来训练模型,可以输出标准差的置信度估计,该方法在度量深度估计上有较好的表现。
- 基于不确定性估计的抓握检测网络用于基于置信度驱动的半监督域适应
该论文提出了一种以置信度驱动的半监督学习网络,结合了位于物体抓取领域的域适应技术,使用特征金字塔网络 (FPN) 提供一种预测不确定性估计机制,并利用该信息加强关注置信度较高的未标记数据的一致性损失,避免了学生模型从一致性损失中学习到错误 - ECCV立体自适应置信度估计
本文提出了一种灵活且轻量化的解决方案,该方案可实现自适应置信度估计,具备与任何立体系统(包括未公开视觉感知方法的消费和工业设备)的无缝集成性,并且可以在现场进行开箱即用的部署,通过使用计算机视觉和自监督学习等技术,该方案能够在输入立体对和输 - ICML深度神经网络的置信度感知学习
本文提出了一种基于 Correctness Ranking Loss 的深度神经网络训练方法,可以对类别概率进行显式的正序排名,提高置信度预测。该方法易于实现,不需要额外的计算代价,适用于现有体系结构,并且在分类基准数据集上表现良好。同时, - ICCV基于 CNN 的代价体积分析作为稠密匹配的置信度量
本文提出了使用卷积神经网络 (CNN) 从三维数据中直接学习置信度估计特征的新方法,将深度学习和代价体特征相结合,通过对三个数据集上的三种常见密集立体匹配技术进行广泛评估,证明了该方法的广泛性和最先进的准确性。
- 基于置信度的图卷积网络用于半监督学习
本文提出了 ConfGCN,并使用其估计的置信度来在邻域聚合期间检测节点之间的相互影响,从而获得了各向异性的能力,从而在标准基准测试中超过了现有技术水平的基线,以解决基于 GCN 的设置下缺乏置信度评估的问题。
- ICCVProbFlow: 光流与不确定性联合估计
本文提出了一种同时预测光流和其基础不确定性的方法,该方法集成了变分推断方案,通过边缘熵获得每个像素处的不确定性量度,得到的不确定性量度明显优于现有的后处理方法。