对于目标检测中的目标置信度，是否有任何有统计学意义的定义？
提问于 2021-02-08 17:26:38
大多数现代对象检测算法依赖于神经网络，并为每个对象输出边界框和置信度(或者更准确地说，对于所考虑的每个可能的对象类的置信度，其中最高的被认为是真实的对象置信度并定义该对象的预测类)。除了给出“对象性”的相对可能性(置信度为0.9的预测边界框比置信度为0.1的预测边界框更有可能包含对象)之外，这些预测是否具有统计意义？例如，我们是否应该能够说，预测置信度为0.1表示在此置信度下大约10%的预测实际上是对象？有没有另一个有统计学意义的定义？
我理解，这充其量是一个松散的统计意义，因为神经网络将使用损失函数进行训练，这些损失函数将此统计分布编码为损失，然后网络将仅近似此统计分布。因此，分布还将取决于用于训练神经网络的分类部分的损失函数。尽管存在这些问题，但置信度度量是否存在或在某种程度上存在内在含义，或者它纯粹是一个相对量？
回答 1
Stack Overflow用户
发布于 2021-11-06 12:00:10
这在文献中被称为“校准”。当分布也是置信度的良好度量时，神经网络得到了很好的校准。
例如，参见论文Your classifier is secretly an energy based model and you should treat it like one和关于校准的第5.2节。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/66106388
复制相关文章
腾讯云开发者
