اطمینان سنجی در طبقه بندی های دید کامپیوتر برای درک قابلیت اطمینان پیش بینی های مدل ضروری است.این به فرآیند تصمیم گیری کمک می کند، به ویژه در برنامه های حیاتی مانند وسایل نقلیه مستقل و تصویربرداری پزشکی.این مقاله روش های رایج مورد استفاده برای اندازه گیری سطح اعتماد به نفس در وظایف طبقه بندی شی را بررسی می کند.

امتیازات احتمالی

ساده ترین راه برای تعیین اعتماد به نفس از طریق خروجی های احتمالی توسط مدل های طبقه بندی است، این نمرات نشان می دهد که یک شی داده شده متعلق به یک کلاس خاص است. مقادیر احتمال بالاتر اعتماد بیشتری به پیش بینی را نشان می دهد.

تکنیک های کالیبراسیون

روش های کالیبراسیون نمرات احتمال خام را برای بهتر منعکس کننده احتمال واقعی تنظیم می کنند. تکنیک هایی مانند مقیاس پذیری Plattttttt و رگرسیون ایزوتونونیک برای بهبود قابلیت اطمینان تخمین های اعتماد به نفس استفاده می شود و آنها را قابل تفسیر تر و قابل اعتماد تر می کند.

عدم قطعیت

فراتر از نمرات احتمال، روش های برآورد عدم اطمینان، اندازه گیری دقیق تر اعتماد به نفس را ارائه می دهند. رویکردهایی مانند مونت کارلو و شبکه های عصبی بیزی پیش بینی های متعددی برای ارزیابی تنوع و عدم اطمینان در طبقه بندی ها ایجاد می کنند.

استفاده از اعتماد به نفس در تمرین

امتیازات اعتماد می تواند برای تنظیم آستانه برای پذیرش یا رد پیش بینی ها استفاده شود، به عنوان مثال، پیش بینی با اعتماد به نفس زیر یک سطح خاص می تواند برای بررسی انسان یا تجزیه و تحلیل بیشتر پرچم گذاری شود.این باعث بهبود قوی بودن کلی سیستم های بینایی کامپیوتر می شود.