Robust Uncertainty Estimation for Classification of Maritime Objects

要約

私たちは、おもちゃのデータセット (CIFAR10) で有効性を示し、社内データセット SHIPS でそれを証明することで、海事領域における不確実性推定の使用を検討します。
モンテカルロドロップアウトを使用して達成されたクラス内不確実性と、外れ値検出の分野での最近の発見を組み合わせて、より全体的な不確実性の尺度を取得する方法を紹介します。
導入された不確実性尺度間の関係を調査し、CIFAR10 と現実の環境でそれらがどの程度うまく機能するかを検証します。
私たちの研究では、分布外データなしでモデルをトレーニングした場合、現在の最高パフォーマンスの研究と比較して FPR95 が 8% 向上しました。
Wide ResNet の標準実装と比較して、パフォーマンスが 77% 向上しました。
SHIPS データセットをリリースし、FPR95 をベースラインに対して 44.2% 改善することでこの手法の有効性を示します。
私たちのアプローチはモデルに依存せず、実装が簡単で、多くの場合モデルの再トレーニングを必要としません。

要約(オリジナル)

We explore the use of uncertainty estimation in the maritime domain, showing the efficacy on toy datasets (CIFAR10) and proving it on an in-house dataset, SHIPS. We present a method joining the intra-class uncertainty achieved using Monte Carlo Dropout, with recent discoveries in the field of outlier detection, to gain more holistic uncertainty measures. We explore the relationship between the introduced uncertainty measures and examine how well they work on CIFAR10 and in a real-life setting. Our work improves the FPR95 by 8% compared to the current highest-performing work when the models are trained without out-of-distribution data. We increase the performance by 77% compared to a vanilla implementation of the Wide ResNet. We release the SHIPS dataset and show the effectiveness of our method by improving the FPR95 by 44.2% with respect to the baseline. Our approach is model agnostic, easy to implement, and often does not require model retraining.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google