A General Framework for Uncertainty Estimation in Deep Learning

Neural networks predictions are unreliable when the input sample is out of the training distribution or corrupted by noise. Being able to detect such failures automatically is fundamental to integrate deep learning algorithms into robotics. Current approaches for uncertainty estimation of neural net...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE robotics and automation letters Ročník 5; číslo 2; s. 3152 - 3159
Hlavní autoři:	Loquercio, Antonio, Segu, Mattia, Scaramuzza, Davide
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Piscataway IEEE 01.04.2020 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	AI-based methods Algorithms Automation Belief networks Computer simulation Computer vision Control tasks Data models Deep learning Deep learning in robotics and automation Estimation Machine learning Monte Carlo simulation Neural networks Optimization probability and statistical methods Robot sensing systems Robotics Task analysis Uncertainty
ISSN:	2377-3766, 2377-3766
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!