Navigationsweiche Anfang

Navigationsweiche Ende

Aktuelles

  • Datensätze für das Tracking von OOD-Objekten auf der Straße
    [mehr]
  • A-Eye: Fahren mit den Augen der KI
    [mehr]
  • UQGAN: A Unified Model for Uncertainty Quantification of Deep Classifiers trained via Conditional GANs
    [mehr]
  • Entropie Maximierung und Meta Klassifikation zur Erkennung von unbekannten Objekten in der semantischen Segmentierung
    [mehr]
  • Berufspraxiskolloquium – Ein Ausflug in die Optimierung
    [mehr]
zum Archiv ->

UQGAN: A Unified Model for Uncertainty Quantification of Deep Classifiers trained via Conditional GANs

 

Die AG Stochastik hat gemeinsam mit Kollegen der TU Dortmund eine Methode der Unsicherheitquantifizierung (UQ) für tiefe neuroanle Netze (DNNs) in der Bildklassifikation. Die Methode verwendet Daten generiert von generativen Adversialen Netzen (GAN), um für jede einzelne semantische Klasse durch Out-of-Class (OoC) Beispiele abzuschirmen. Das DNN wird als One-vs.-All Klassifizierer trainiert wobei echte daten und die synthetischen OoC Daten des GAN erhält. Als Resultat dessen ist die Methode in der Lage aleatorische und epistimische Unsicherheit separat anzuzeigen (siehe obige Abbildung, hohe Unsicherheit ist orange, links aleatorisch, rechts epistemisch). Auf den MNIST und CIFAR10 Datensätzen verbessert diese Methode den State-of-the-Art bei GAN-basierter UQ deutlich.

Preprint: arxiv.org/abs/2201.13279