4、缓解AI/ML模型在不确定性估计中的责任

缓解AI/ML模型在不确定性估计中的责任

在交通标志识别任务中，准确估计不确定性对于确保系统的安全性和可靠性至关重要。本文将介绍一种将外部模型方法（不确定性包装器，UW）与现有的模型内不确定性估计方法进行比较的研究，探讨不同方法在不同条件下的性能表现。

1. 数据准备

为了确保训练数据和测试数据的比例一致，研究人员对每个原始图像进行了28次增强。这些增强是基于从270万个现实场景设置中随机采样得到的设置进行的。最终，校准数据集和评估数据集各自得到了176,820个增强样本。由于这些设置是基于模拟的目标应用范围生成的，因此可以认为基于目标应用范围（TAS）的测试数据集中的随机样本能够代表目标应用范围的分布。

2. 研究执行步骤

研究执行主要包括以下四个步骤：
1. DDM训练 ：考虑两种DDM架构，即具有softmax输出层的单卷积神经网络（CNN）架构和包含多个并行运行的CNN的深度集成架构。
- 单CNN ：选择的模型架构大致基于在德国交通标志基准测试（GTSRB）中表现最佳的模型，但去掉了空间变换器，并在每个卷积层之后使用批量归一化结合空间丢弃，而不是局部对比度归一化，以减少计算资源需求。
- 深度集成 ：结合多个与单CNN架构相同、超参数设置相同但权重初始化不同的CNN。根据相关研究结论，选择使用七个集成成员。
- 训练数据集 ：每个DDM使用基本训练数据集或增强训练数据集进行训练。基本训练数据集经过30个周期后，训练的CNN在保留验证数据上的预测准确率稳定在约