Ein Forschungsteam der University of California, Los Angeles, unter der Leitung von Aydogan Ozcan hat eine neue Methode entwickelt, um die Zuverlässigkeit von Deep Neural Networks bei der Lösung inverser Bildgebungsaufgaben zu verbessern. In der Zeitschrift Intelligent Computing veröffentlicht, führt diese Forschung eine Technik zur Unsicherheitsquantifizierung ein, die die Zykluskonsistenz nutzt, um die Leistung von Deep Neural Networks zu verbessern.
Inverse Bildgebungsaufgaben, wie beispielsweise Bildrauschenreduzierung, Super-Resolution-Bildgebung und medizinische Bildrekonstruktion, umfassen die Erstellung eines idealen Bildes unter Verwendung von erfassten Rohbilddaten, die einer Degradation unterzogen sein können. Deep Neural Networks liefern jedoch manchmal unzuverlässige Ergebnisse, was in bestimmten Kontexten schwerwiegende Folgen haben kann. Modelle, die ihre Ausgabeunsicherheit schätzen können, haben das Potenzial, Anomalien und Angriffe effektiver zu erkennen.
Die neu entwickelte Methode verwendet ein physikalisches Vorwärtsmodell als eine rechnerische Darstellung der Eingabe-Ausgabe-Beziehung. Durch die Kombination dieses Modells mit einem neuronalen Netzwerk und die Durchführung von Vorwärts-Rückwärts-Zyklen zwischen den Eingabe- und Ausgabedaten wird die Unsicherheit akkumuliert und effektiv geschätzt.
Die theoretische Grundlage der Methode beruht auf der Bestimmung der Grenzen der Zykluskonsistenz, die als der Unterschied zwischen benachbarten Ausgaben im Zyklus definiert ist. Die Forscher haben sowohl obere als auch untere Grenzen für die Zykluskonsistenz abgeleitet und damit deren Korrelation mit der Unsicherheit der Ausgabe des neuronalen Netzwerks nachgewiesen. Dies gilt auch für Fälle, in denen die Zyklusausgaben abweichen oder konvergieren, was eine Unsicherheitsschätzung ohne Kenntnis der wahren Gegebenheiten ermöglicht.
Um die Wirksamkeit der Methode zu demonstrieren, führten die Forscher zwei Experimente durch. Das erste Experiment konzentrierte sich auf die Bildentwirrung, ein inverses Problem, bei dem ein vortrainiertes Netzwerk zur Bildentwirrung verwendet wurde, um festzustellen, ob Bilder korrupt sind oder nicht. Durch die Einbeziehung von Zykluskonsistenzmetriken zur Schätzung der Netzwerkunsicherheit und -verzerrung erreichten die Forscher eine verbesserte Genauigkeit in der abschließenden Klassifizierung.
Diese Forschung stellt einen wichtigen Schritt zur Verbesserung der Zuverlässigkeit und Robustheit von Deep Neural Networks bei der Lösung inverser Bildgebungsaufgaben dar. Durch die Einbeziehung der Unsicherheitsschätzung durch Zykluskonsistenz haben diese Netzwerke das Potenzial, Anomalien und Angriffe effektiver zu erkennen und somit vertrauenswürdigere und zuverlässigere Ergebnisse zu liefern.
The source of the article is from the blog anexartiti.gr