ریسک طبقه بندی غلط و کمی سازی عدم قطعیت در طبقه بندی کننده های عمیق

عنوان ریسک طبقه بندی غلط و کمی سازی عدم قطعیت در طبقه بندی کننده های عمیق
نویسنده شنسوی، مورات، سالکی، مریم، جولیه، اس.، آیدوغان، ریحان، رید، جی.
تاریخ انتشار: 2021
محل انتشار - IEEE
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 978-073814266-1
شماره ثبت a10c90b0-a05c-4cb1-925d-d4f245c96b8d
محل کتابخانه علوم کامپیوتر
تاریخ 2021
یادداشت‌ها وزارت دفاع ایالات متحده آزمایشگاه تحقیقاتی ارتش ایالات متحده (ARL)
متن نمونه در این مقاله، ما طبقه‌بندی‌کننده‌های عمیق شواهد کالیبره‌شده با ریسک را برای کاهش هزینه‌های مرتبط با خطاهای طبقه‌بندی پیشنهاد می‌کنیم. ما از دو رویکرد اصلی استفاده می کنیم. اولین مورد توسعه روش هایی برای تعیین کمیت عدم قطعیت پیش بینی های طبقه بندی کننده و کاهش احتمال عمل بر روی پیش بینی های اشتباه است. روش دوم، روشی جدید برای آموزش طبقه‌بندی‌کننده به‌گونه‌ای است که طبقه‌بندی‌های اشتباه به سمت مقوله‌های کم خطر سوگیری می‌کنند. ما این دو رویکرد را به صورت اصولی با هم ترکیب می کنیم. در حین انجام این کار، ما یادگیری عمیق شواهد را با احتمالات پیگنیستیک گسترش می‌دهیم، که برای تعیین کمیت عدم قطعیت پیش‌بینی‌های طبقه‌بندی و مدل‌سازی تصمیم‌گیری منطقی تحت عدم قطعیت استفاده می‌شود. عملکرد رویکرد خود را در چندین کار طبقه‌بندی تصویر ارزیابی می‌کنیم. ما نشان می‌دهیم که رویکرد ما اجازه می‌دهد (1) هزینه طبقه‌بندی اشتباه را در حین آموزش طبقه‌بندی‌کننده‌های عمیق لحاظ کنیم، (ب) عدم قطعیت پیش‌بینی‌های طبقه‌بندی را به‌طور دقیق تعیین کنیم، و (iii) به طور همزمان یاد بگیریم که چگونه تصمیمات طبقه‌بندی را اتخاذ کنیم تا هزینه مورد انتظار خطاهای طبقه‌بندی را به حداقل برسانیم.
DOI 10.1109/WACV48630.2021.00253
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

ریسک طبقه بندی غلط و کمی سازی عدم قطعیت در طبقه بندی کننده های عمیق

نویسنده شنسوی، مورات، سالکی، مریم، جولیه، اس.، آیدوغان، ریحان، رید، جی.
تاریخ انتشار 2021
محل انتشار - IEEE
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 978-073814266-1
شماره ثبت a10c90b0-a05c-4cb1-925d-d4f245c96b8d
محل کتابخانه علوم کامپیوتر
تاریخ 2021
یادداشت‌ها وزارت دفاع ایالات متحده آزمایشگاه تحقیقاتی ارتش ایالات متحده (ARL)
متن نمونه در این مقاله، ما طبقه‌بندی‌کننده‌های عمیق شواهد کالیبره‌شده با ریسک را برای کاهش هزینه‌های مرتبط با خطاهای طبقه‌بندی پیشنهاد می‌کنیم. ما از دو رویکرد اصلی استفاده می کنیم. اولین مورد توسعه روش هایی برای تعیین کمیت عدم قطعیت پیش بینی های طبقه بندی کننده و کاهش احتمال عمل بر روی پیش بینی های اشتباه است. روش دوم، روشی جدید برای آموزش طبقه‌بندی‌کننده به‌گونه‌ای است که طبقه‌بندی‌های اشتباه به سمت مقوله‌های کم خطر سوگیری می‌کنند. ما این دو رویکرد را به صورت اصولی با هم ترکیب می کنیم. در حین انجام این کار، ما یادگیری عمیق شواهد را با احتمالات پیگنیستیک گسترش می‌دهیم، که برای تعیین کمیت عدم قطعیت پیش‌بینی‌های طبقه‌بندی و مدل‌سازی تصمیم‌گیری منطقی تحت عدم قطعیت استفاده می‌شود. عملکرد رویکرد خود را در چندین کار طبقه‌بندی تصویر ارزیابی می‌کنیم. ما نشان می‌دهیم که رویکرد ما اجازه می‌دهد (1) هزینه طبقه‌بندی اشتباه را در حین آموزش طبقه‌بندی‌کننده‌های عمیق لحاظ کنیم، (ب) عدم قطعیت پیش‌بینی‌های طبقه‌بندی را به‌طور دقیق تعیین کنیم، و (iii) به طور همزمان یاد بگیریم که چگونه تصمیمات طبقه‌بندی را اتخاذ کنیم تا هزینه مورد انتظار خطاهای طبقه‌بندی را به حداقل برسانیم.
DOI 10.1109/WACV48630.2021.00253
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید