最后层委员会机器用于地图像的不确定性估计
H Martin Gillis1, Isaac Xu1, Benjamin Misiuk2
1Faculty of Computer Science, Dalhousie University, Halifax, Nova Scotia, Canada.
概括
自动化盆地图像注释对于海洋监测至关重要. 本研究引入了一种使用分类不确定性的新方法,以有效地识别具有挑战性的图像,提高海洋空间规划的注释准确性.
科学领域:
- 海洋生物学 海洋生物学
- 深度学习是一种深度学习.
- 图像分析 图像分析
背景情况:
- 对盆地图像的自动注释对于监测动态海洋生态系统至关重要.
- 深度学习模型面临着模两可的图像,用户间的分歧和分布外样本的挑战,导致过度自信的预测.
- 对于下游应用,如地息地绘制和海洋空间规划,存在可靠性问题.
研究的目的:
- 调查分类不确定性作为一种改善地息地图像标签的方法.
- 开发一个有效的框架,用于识别底图像数据集中的不确定样本.
主要方法:
- 利用贝叶斯神经网络,蒙特卡洛脱落推断采样,以及一个单一的最后层委员会机器来挑战来自BenthicNet的子数据集.
- 开发了一个框架来量化每个样本的不确定性,并显著减少了网络参数.
主要成果:
- 在不确定性估计的网络参数中实现了超过95%的减少.
- 与像深层合奏这样的计算密集型方法相比,保持了几乎相同的性能.
- 为人类审查生成了不确定样本的优先清单.
结论:
- 拟议的方法提供了一种有效的策略,用于在本地图像中获得每个样本的不确定性.
- 这种方法通过识别模两可的,错误标记的或分布外的图像来增强注释工具,用于人类在循环中的干预.
- 通过更可靠的图像注释,促进了改善地底地图和海洋空间规划.
更多相关视频
13:35Reefshape: A System for the Efficient Collection and Automated Processing of Time-Series Underwater Photogrammetry Data for Benthic Habitat Monitoring
Published on: June 13, 2025
1.7K
06:36A Field Primer for Monitoring Benthic Ecosystems Using Structure-From-Motion Photogrammetry
Published on: April 15, 2021
4.3K
