Test-Time Mixup Augmentation for Data and Class-Dependent Uncertainty Estimation in Deep Learning Image Classification

要約

トレーニング済みの深層学習ネットワークの不確実性推定は、学習効率を最適化し、ネットワーク予測の信頼性を評価するのに役立ちます。
この論文では、テスト時間ミックスアップ拡張 (TTMA) を使用して深層学習画像分類の不確実性を推定する方法を提案します。
既存の偶然の不確実性における正しい予測と誤った予測を区別する能力を向上させるために、テストデータにミックスアップ拡張を適用し、予測されたラベルヒストグラムのエントロピーを測定することにより、TTMA データの不確実性 (TTMA-DU) を導入します。
TTMA-DU に加えて、TTMA クラス依存の不確実性 (TTMA-CDU) を提案します。これは、個々のクラスに固有の偶然の不確実性を捉え、訓練されたネットワーク内のクラスの混乱とクラスの類似性に関する洞察を提供します。
ISIC-18皮膚病変診断データセットとCIFAR-100実世界画像分類データセットで提案された方法を検証します。
私たちの実験は、(1) TTMA-DU は、混合摂動による既存の不確実性測定と比較して、正しい予測と誤った予測をより効果的に区別し、(2) TTMA-CDU は両方のデータセットのクラスの混乱とクラスの類似性に関する情報を提供することを示しています。

要約(オリジナル)

Uncertainty estimation of the trained deep learning networks is valuable for optimizing learning efficiency and evaluating the reliability of network predictions. In this paper, we propose a method for estimating uncertainty in deep learning image classification using test-time mixup augmentation (TTMA). To improve the ability to distinguish correct and incorrect predictions in existing aleatoric uncertainty, we introduce the TTMA data uncertainty (TTMA-DU) by applying mixup augmentation to test data and measuring the entropy of the predicted label histogram. In addition to TTMA-DU, we propose the TTMA class-dependent uncertainty (TTMA-CDU), which captures aleatoric uncertainty specific to individual classes and provides insight into class confusion and class similarity within the trained network. We validate our proposed methods on the ISIC-18 skin lesion diagnosis dataset and the CIFAR-100 real-world image classification dataset. Our experiments show that (1) TTMA-DU more effectively differentiates correct and incorrect predictions compared to existing uncertainty measures due to mixup perturbation, and (2) TTMA-CDU provides information on class confusion and class similarity for both datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google