Неопознанный объект: как «сомневающаяся» нейросеть SDDE обрабатывает изображения точнее своих аналогов

Студенты Университета МИСИС и МФТИ предложили новую нейросеть SDDE для определения объектов на изображениях.
SDDE повышает точность распознавания объектов на изображениях, не загруженных в базы данных.
Новый алгоритм может помочь в развитии беспилотных транспортных средств и медицинской диагностики.
SDDE использует разнообразие ансамблевой модели для снижения корреляции и повышения точности системы.
Ансамблевая нейросеть состоит из нескольких моделей, каждая из которых фокусируется на уникальных характеристиках изображений.
SDDE продемонстрировала лучшие результаты по сравнению с другими алгоритмами, такими как Negative Correlation Learning и Adaptive Diversity Promoting.
Новый метод диверсификации ансамблей на основе логитов повышает точность нейросети при обнаружении данных вне распределения.
Подход Outlier Exposure используется для обучения модели на специальных наборах данных, содержащих примеры ДВР.