elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Estimating Uncertainty of Deep Learning Multi-Label Classifications Using Laplace Approximation

Rewicki, Ferdinand und Gawlikowski, Jakob (2022) Estimating Uncertainty of Deep Learning Multi-Label Classifications Using Laplace Approximation. In: 2022 IEEE International Geoscience and Remote Sensing Symposium, IGARSS 2022, Seiten 1560-1563. IEEE. IGARSS 2022 - IEEE International Geoscience and Remote Sensing Symposium, 2022-07-17 - 2022-07-22, Kuala Lumpur, Malaysia. doi: 10.1109/IGARSS46834.2022.9884167. ISBN 978-166542792-0. ISSN 2153-7003.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://ieeexplore.ieee.org/document/9884167

Kurzfassung

Deep learning methods have become valuable tools in remote sensing for tasks like aerial scene classification or land cover analysis. Dealing with noisy and very varying data, the need for reliable confidence statements becomes apparent. While deep learning models are known to yield overconfident pre- dictions, quantifying the model uncertainty of those classi- fiers can help mitigating that effect. Although uncertainty es- timation methods for multi-class classification have been pub- lished, multi-label classification - the task of labelling data with multiple class labels simultaneously - has hardly been considered yet. In this study, we use multi-label Laplace Ap- proximation to estimate the model uncertainty of deep multi- label classifiers and show how this method can improve cali- bration and out-of-distribution detection in the remote sensing domain.

elib-URL des Eintrags:https://elib.dlr.de/189530/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Estimating Uncertainty of Deep Learning Multi-Label Classifications Using Laplace Approximation
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Rewicki, Ferdinandferdinand.rewicki (at) dlr.dehttps://orcid.org/0000-0003-2264-9495NICHT SPEZIFIZIERT
Gawlikowski, JakobJakob.Gawlikowski (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2022
Erschienen in:2022 IEEE International Geoscience and Remote Sensing Symposium, IGARSS 2022
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
DOI:10.1109/IGARSS46834.2022.9884167
Seitenbereich:Seiten 1560-1563
Verlag:IEEE
ISSN:2153-7003
ISBN:978-166542792-0
Status:veröffentlicht
Stichwörter:Multi-Label Classification, Bayesian Deep Neural Networks, Uncertainty Estimation, Laplace Ap- proximation, Remote Sensing
Veranstaltungstitel:IGARSS 2022 - IEEE International Geoscience and Remote Sensing Symposium
Veranstaltungsort:Kuala Lumpur, Malaysia
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:17 Juli 2022
Veranstaltungsende:22 Juli 2022
Veranstalter :IEEE
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Technik für Raumfahrtsysteme
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R SY - Technik für Raumfahrtsysteme
DLR - Teilgebiet (Projekt, Vorhaben):R - Grundlagenforschung im Bereich Maschinelles Lernen
Standort: Jena
Institute & Einrichtungen:Institut für Datenwissenschaften > Datenanalyse und -intelligenz
Hinterlegt von: Rewicki, Ferdinand
Hinterlegt am:05 Dez 2022 10:53
Letzte Änderung:24 Apr 2024 20:50

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.