Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval

要約

現在の人物画像検索方法では、精度指標が大幅に改善されています。
ただし、予測の信頼性について説明することはめったにありません。
この論文では、この問題を解決するための不確実性認識学習 (UAL) メソッドを提案します。
UAL は、データの不確実性とモデルの不確実性を同時に考慮することにより、信頼性を考慮した予測を提供することを目的としています。
データの不確実性は、サンプルに内在する「ノイズ」を捉えますが、モデルの不確実性は、サンプルの予測に対するモデルの信頼性を表します。
具体的には、UALでは、（1）トレーニング中にさまざまなサンプルに適応的に重みを割り当て、低品質のあいまいなサンプルの重みを下げる、サンプリングのないデータの不確実性学習方法を提案します。
(2) ベイジアン フレームワークを活用して、ネットワークのパラメーターがベルヌーイ分布に従うと仮定して、モデルの不確実性をモデル化します。
(3) データの不確実性とモデルの不確実性は、統合されたネットワークで一緒に学習され、信頼性評価の 2 つの基本的な基準として機能します: プローブが高品質 (データの不確実性が低い) であり、モデルが予測に自信がある場合。
プローブの（モデルの不確実性が低い）場合、最終的なランキングは信頼できると評価されます。
リスク管理設定とマルチクエリ設定での実験は、提案された信頼性評価が効果的であることを示しています。
私たちの方法は、バニラの単一クエリ設定の下で、3 つの困難なベンチマークでも優れたパフォーマンスを示しています。

要約(オリジナル)

Current person image retrieval methods have achieved great improvements in accuracy metrics. However, they rarely describe the reliability of the prediction. In this paper, we propose an Uncertainty-Aware Learning (UAL) method to remedy this issue. UAL aims at providing reliability-aware predictions by considering data uncertainty and model uncertainty simultaneously. Data uncertainty captures the “noise’ inherent in the sample, while model uncertainty depicts the model’s confidence in the sample’s prediction. Specifically, in UAL, (1) we propose a sampling-free data uncertainty learning method to adaptively assign weights to different samples during training, down-weighting the low-quality ambiguous samples. (2) we leverage the Bayesian framework to model the model uncertainty by assuming the parameters of the network follow a Bernoulli distribution. (3) the data uncertainty and the model uncertainty are jointly learned in a unified network, and they serve as two fundamental criteria for the reliability assessment: if a probe is high-quality (low data uncertainty) and the model is confident in the prediction of the probe (low model uncertainty), the final ranking will be assessed as reliable. Experiments under the risk-controlled settings and the multi-query settings show the proposed reliability assessment is effective. Our method also shows superior performance on three challenging benchmarks under the vanilla single query settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google