CARE: Confidence-Aware Regression Estimation of building density fine-tuning EO Foundation Models

要約

正確な信頼性の定量化と評価を実行することは、深いニューラルネットワークが障害を予測し、パフォーマンスを向上させ、実際のアプリケーションでの能力を向上させ、実生活での実用的な展開のために重要です。
ピクセルごとの回帰タスクの場合、セマンティックセグメンテーションなどの分類タスクとは対照的に、文献では信頼の定量化と評価は十分に対処されていません。
ソフトマックス出力層は、ピクセルごとの回帰問題を解決する深いニューラルネットワークでは使用されません。
この論文では、これらの問題に対処するために、提案されたモデル信頼認識回帰推定（CARE）を開発、訓練、評価します。
モデルケアは、回帰出力の結果に自信を計算して割り当てます。
地球観測のためのAIファンデーションモデル（EO）の下流タスクとして回帰問題を解決することに焦点を当てています。
建物の密度を推定するためのコペルニクスセンチネル-2衛星星座からのデータに関するモデルケアと実験結果を評価します。提案された方法が回帰問題に正常に適用できることを示しています。
また、アプローチが他の方法よりも優れていることも示しています。

要約(オリジナル)

Performing accurate confidence quantification and assessment is important for deep neural networks to predict their failures, improve their performance and enhance their capabilities in real-world applications, for their practical deployment in real life. For pixel-wise regression tasks, confidence quantification and assessment has not been well addressed in the literature, in contrast to classification tasks like semantic segmentation. The softmax output layer is not used in deep neural networks that solve pixel-wise regression problems. In this paper, to address these problems, we develop, train and evaluate the proposed model Confidence-Aware Regression Estimation (CARE). Our model CARE computes and assigns confidence to regression output results. We focus on solving regression problems as downstream tasks of an AI Foundation Model for Earth Observation (EO). We evaluate the proposed model CARE and experimental results on data from the Copernicus Sentinel-2 satellite constellation for estimating the density of buildings show that the proposed method can be successfully applied to regression problems. We also show that our approach outperforms other methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google