Towards Visual Classification Under Class Ambiguity

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F23%3A00367286" target="_blank" >RIV/68407700:21230/23:00367286 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21730/23:00367286

Výsledek na webu

<a href="https://doi.org/10.1109/ICRA48891.2023.10161568" target="_blank" >https://doi.org/10.1109/ICRA48891.2023.10161568</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICRA48891.2023.10161568" target="_blank" >10.1109/ICRA48891.2023.10161568</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Towards Visual Classification Under Class Ambiguity

Popis výsledku v původním jazyce

Visual classification under uncertainty is a complex computer vision problem. We present a thorough comparison of several variants of convolutional neural network (CNN) classification techniques in the context of ambiguous image data interpretation. We explore possible improvements in classification accuracy achieved by insertion of prior ambiguity information during the annotation process. This enables us to harness known similarities between individual classes and use them as probability distributions for soft ground-truth labels. We also present an approach based on Bayesian CNNs, offering the possibility of further interpretation of classification results in a problem where the neural network model is often considered as a black box. The presented techniques are verified on a practical spot weld inspection problem.

Název v anglickém jazyce

Towards Visual Classification Under Class Ambiguity

Popis výsledku anglicky

Visual classification under uncertainty is a complex computer vision problem. We present a thorough comparison of several variants of convolutional neural network (CNN) classification techniques in the context of ambiguous image data interpretation. We explore possible improvements in classification accuracy achieved by insertion of prior ambiguity information during the annotation process. This enables us to harness known similarities between individual classes and use them as probability distributions for soft ground-truth labels. We also present an approach based on Bayesian CNNs, offering the possibility of further interpretation of classification results in a problem where the neural network model is often considered as a black box. The presented techniques are verified on a practical spot weld inspection problem.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/FW03010600" target="_blank" >FW03010600: Autonomní robotický systém pro ultrazvukovou a vířivoproudou inspekci kovových a kompozitních dílů komplexních tvarů</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2023 IEEE International Conference on Robotics and Automation

ISBN

979-8-3503-2365-8

ISSN

1050-4729

e-ISSN

2577-087X

Počet stran výsledku

7

Strana od-do

7032-7038

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Londýn

Datum konání akce

29. 5. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001048371100005