.png){kind=icon}
返回
PaRCE: Probabilistic and Reconstruction-Based Competency Estimation for Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04546-1_22.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管卷积神经网络（CNNs）在图像分类中极为流行且有效，但在利用其进行决策前，我们需了解其预测的置信水平。我们结合概率论和自编码器的生成能力，开发了一种基于概率和重建的胜任力评估（PaRCE）方法。通过该方法，我们获得了一个可解释的分数，能够捕捉CNN模型中产生的多种预测不确定性。我们将该方法与现有的不确定性量化及分布外（OOD）检测方法进行比较，发现该方法能最佳地区分正确分类、错误分类和具有异常区域的OOD样本，以及由视觉图像修改导致高、中、低预测准确率的样本。随后，我们描述了如何将该方法扩展至异常定位任务，并展示了该方法区分图像中感知模型熟悉区域与不熟悉区域的能力。我们发现，该方法生成的可解释分数最可靠地捕捉了感知模型置信度的整体概念。
Keyword:
Model Confidence
Perception
Predictive Uncertainty
期刊
A
IF:
0
论文数:
42
被引数:
0
机构
引用论文
.png){kind=icon}
DRÆM – A discriminatively trained reconstruction embedding for surface anomaly detectionDr æ m-用于表面异常检测的判别训练重建嵌入
OAAI
OAAI分享收藏分享收藏
查看更多内容