КАЛІБРУВАННЯ НЕВИЗНАЧЕНОСТІ В КОМП’ЮТЕРНОМУ ЗОРІ: ПОРІВНЯННЯ BNN, DEEP ENSEMBLES, MC DROPOUT ТА EVIDENTIAL DL

Анотація

Стаття присвячена порівняльному аналізу сучасних методів калібрування невизначеності в задачах комп’ютерного зору. Проблема некаліброваності глибоких нейронних мереж стає критичною при застосуванні в системах з високою ціною помилки: медичній діагностиці, автономному водінні, промисловому контролі.Сучасні архітектури часто демонструють надмірну впевненість у неправильних прогнозах, що унеможливлює ефективне прийняття рішень. Досліджено чотири підходи: баєсівські нейронні мережі (BNN) з варіаційним висновком; глибокі ансамблі (Deep Ensembles), що агрегують прогнози незалежних моделей; Monte Carlo Dropout для апроксимації баєсівського висновку; Evidential Deep Learning з моделюванням розподілів Діріхле.Експерименти проводилися на CIFAR-10/100 для класифікації, CIFAR-10-C для оцінки стійкості, COCO val2017 для детекції об’єктів, Cityscapes val для сегментації. Всі методи тестувалися на ідентичних архітектурах: ResNet-50, WideResNet-28-10, Faster R-CNN, DeepLabV3+. Результати показують, що Deep Ensembles забезпечують найкращий баланс: покращення точності на 0.8–1.8 % при ECE < 2 %. Temperature scaling знижує Expected Calibration Error на 60–75 % без додаткових витрат, що робить його обов’язковим для продакшн систем. BNN демонструють найкращу OOD детекцію (AUROC 0.813), але поступаються за точністю на 0.5–1.2 %. MC Dropout має 20-кратне збільшення часу інференсу при помірному покращенні калібрування. Evidential DL показує нестабільність на OOD даних. Сформульовано практичні рекомендації: для критичних застосувань – ансамбль з 5 моделей з temperature scaling; для real-time систем – одна модель з калібруванням; для edge пристроїв – knowledge distillation від ансамблю. Оптимальна конфігурація: 3–5 моделей з temperature scaling забезпечує 90 % покращення при 3-5x збільшенні часу інференсу.