提高基于邻里特征图的预测不确定性的深度学习计算幽灵成像的可靠性

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 计量学 计量学 计量学

背景情况:

• 深度学习算法越来越多地用于缺陷检查,因为它们的准确性和速度.
• 然而,深度学习输出对精度测量的可靠性仍然是一个重大挑战.
• 现有的方法缺乏对关键应用的可靠不确定性量化.

研究的目的:

• 开发一种方法来评估缺陷检查中的深度学习输出的不确定性.
• 为了证明更高的不确定性与更不自信的错误预测相关.
• 通过结合不确定性估计,提高基于深度学习的缺陷检查的准确性.

主要方法:

• 使用邻近特征图的代估计被用来量化输出不确定性.
• 深度学习模型被应用于缺陷检查任务,包括幽灵成像.
• 不确定性得分被用来过或减轻不可靠的预测.

主要成果:

• 该研究成功证明,代估计可以可靠地评估深度学习输出的不确定性.
• 结果表明,不确定性较高的预测与不太自信的错误评估相对应.
• 在基于深度学习的幽灵成像中,删除高不确定性输出可以提高精度约15.7%.

结论:

• 代估计为评估深度学习缺陷检查输出的可靠性提供了一个有价值的工具.
• 量化不确定性允许识别和减轻不可靠的预测.
• 这种方法提高了深度学习在精确测量和检查任务中的实际应用性.