Исследовательская группа Университета Калифорнии в Лос-Анджелесе под руководством Айдогана Озкана разработала новый метод для повышения надежности глубоких нейронных сетей в решении обратных задач обработки изображений. Опубликованное в журнале Intelligent Computing исследование представляет методику оценки неопределенности, которая включает в себя циклическую согласованность для улучшения производительности глубоких нейронных сетей.
Обратные задачи обработки изображений, включая удаление шума, увеличение разрешения изображений и медицинскую реконструкцию изображений, включают в себя создание идеального изображения с использованием полученных необработанных данных, которые могут быть подвержены деградации. Однако глубокие нейронные сети иногда дают ненадежные результаты, что может иметь серьезные последствия в определенных контекстах. Модели, способные оценивать неопределенность своих выводов, могут быть более эффективными в обнаружении аномалий и атак.
Новый разработанный метод использует физическую прямую модель в качестве вычислительного представления взаимосвязи входных и выходных данных. Путем комбинирования этой модели с нейронной сетью и выполнения прямо-обратных циклов между входными и выходными данными накапливается и эффективно оценивается неопределенность.
Теоретическая основа метода заключается в установлении границ циклической согласованности, определяемой как разница между соседними выходами в цикле. Исследователи получили как верхние, так и нижние границы циклической согласованности, демонстрируя ее связь с неопределенностью вывода нейронной сети. Это верно даже в случаях, когда выходы цикла расходятся или сходятся, что позволяет оценить неопределенность без информации о точном решении.
Для демонстрации эффективности метода исследователи провели два эксперимента. Первый эксперимент был сфокусирован на размытии изображений, означающей обратную задачу, где предварительно обученная нейронная сеть для размытия использовалась для определения, искажены изображения или нет. Путем использования метрик циклической согласованности для оценки неопределенности и предвзятости сети исследователям удалось достичь повышенной точности в окончательной классификации.
Это исследование является важным шагом к улучшению надежности и устойчивости глубоких нейронных сетей в решении обратных задач обработки изображений. Путем интеграции оценки неопределенности через циклическую согласованность эти сети могут эффективнее обнаруживать аномалии и атаки, обеспечивая более доверенные результаты.
The source of the article is from the blog regiozottegem.be