컴퓨터 비전 객체 분류에 대한 신뢰는 모델 예측의 신뢰성을 이해하는 데 필수적입니다. 그것은 의사 결정 프로세스, 특히 자율 차량 및 의료 이미징과 같은 중요한 응용 분야에서 도움이됩니다. 이 문서는 개체 분류 작업에서 신뢰 수준을 측정하는 데 사용되는 일반적인 방법을 탐구합니다.

Probability 점수

자신감을 갖는 가장 똑바른 방법은 분류 모형에 의해 출력된 확률 점수를 통해서 입니다. 이 점수는 주어진 목표가 특정한 종류에 속한다는 것을 likelihood를 나타냅니다. 더 높은 확률 가치는 예측에 있는 더 중대한 신뢰를 건의합니다.

교정 기술

교정 방법은 진정한 악명 높은 반사를 더 잘 반영하기 위해 원시 확률 점수를 조정합니다. Platt scaling과 isotonic 회귀와 같은 기술은 더 많은 해석적이고 신뢰할 수있는 신뢰도를 향상시키기 위해 사용됩니다.

의욕구

불확실한 점수를 넘어, 불확실한 추정 방법은 더 많은 자신감을 측정합니다. Monte Carlo Dropout 및 Bayesian neural 네트워크와 같은 접근법은 분류에 있는 가변성과 불확실성을 평가하기 위하여 다수 예측을 생성합니다.

연습에 대한 Confidence 사용

Confidence 점수는 예측을 수용하거나 거부하기 위해 임계값을 설정하는 데 사용될 수 있습니다. 예를 들어, 특정 레벨의 신뢰와 예측은 인간 검토 또는 더 분석에 대한 표명 될 수 있습니다. 이것은 컴퓨터 비전 시스템의 전반적인 견고성을 향상시킵니다.