Yazar
Şensoy, Murat, Saleki, Maryam, Julier, S., Aydoğan, Reyhan, Reid, J.
Basım Tarihi
2021
Basım Yeri
-
IEEE
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
978-073814266-1
Kayıt Numarası
a10c90b0-a05c-4cb1-925d-d4f245c96b8d
Lokasyon
Bilgisayar Bilimi
Tarih
2021
Notlar
Amerika Birleşik Devletleri Savunma Bakanlığı ABD Ordusu Araştırma Laboratuvarı (ARL)
Örnek Metin
Bu yazıda, sınıflandırma hatalarıyla ilişkili maliyetleri azaltmak için risk kalibreli, kanıta dayalı derin sınıflandırıcılar öneriyoruz. İki ana yaklaşım kullanıyoruz. Bunlardan ilki, bir sınıflandırıcının tahminlerinin belirsizliğini ölçmek ve hatalı tahminlere göre hareket etme olasılığını azaltmak için yöntemler geliştirmektir. İkincisi, hatalı sınıflandırmaların daha az riskli kategorilere yönelmesini sağlayacak şekilde sınıflandırıcıyı eğitmenin yeni bir yoludur. Bu iki yaklaşımı ilkeli bir şekilde birleştiriyoruz. Bunu yaparken, sınıflandırma tahminlerinin belirsizliğini ölçmek ve belirsizlik altında rasyonel karar almayı modellemek için kullanılan, delil niteliğindeki derin öğrenmeyi pignistik olasılıklarla genişletiyoruz. Yaklaşımımızın çeşitli görüntü sınıflandırma görevlerindeki performansını değerlendiriyoruz. Yaklaşımımızın (i) derin sınıflandırıcıları eğitirken yanlış sınıflandırma maliyetini dahil etmeye, (ii) sınıflandırma tahminlerinin belirsizliğini doğru bir şekilde ölçmeye ve (iii) eşzamanlı olarak sınıflandırma hatalarının beklenen maliyetini en aza indirmek için sınıflandırma kararlarının nasıl alınacağını öğrenmeye izin verdiğini gösterdik.
DOI
10.1109/WACV48630.2021.00253
