研究用温度缩放校准置信度，减少硅藻分类人工复核量
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一项针对显微镜图像硅藻识别的案例研究，在 759 类硅藻数据集上训练 ResNet-18 基线模型。初始模型存在过度自信问题，期望校准误差（ECE）为 0.117；采用事后温度缩放（T=2.12）后，校准误差显著下降。研究把校准后的概率用于分诊框架，在拒绝阈值 τ=0.934 时，以 66.2% 的覆盖率维持 99.01% 的选择性宏 F1 分数。定性分析显示，系统会持续把 AAMB、AASI 等稀有类群和形态模糊的样本转交专家复核。代码与校准结果已匿名公开，成果发表于 ICPR 2026。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载任务与基线设置
研究面向显微镜图像中的硅藻自动识别，这是大尺度淡水生物监测的基础环节。难点在于物种多样性高、类别分布严重不均衡。作者在包含 759 个类别的硅藻数据集上训练 ResNet-18 作为基线，并考察校准后的置信度能否支撑选择性分类，从而在保持分类学完整性的前提下减轻专家标注负担。
校准带来的可靠性变化
基线模型表现出过度自信，期望校准误差为 0.117。研究采用事后温度缩放，温度参数取 2.12，使校准误差大幅下降。作者把校准后的概率接入分诊流程：当拒绝阈值设为 0.934 时，系统在覆盖 66.2% 样本的情况下仍能保持 99.01% 的选择性宏 F1 分数，意味着约三分之二的样本可交由模型自动判定。
稀有类群与人工复核
定性分析显示，该系统实际起到智能过滤器的作用：对 AAMB、AASI 等稀有类群以及形态模糊的样本，模型会持续将其转交专家复核。这一行为与生态评估中保留稀有物种指标的需求一致，也说明校准概率在类别不均衡条件下可用于决定哪些样本值得人工介入。
可复现性与发表信息
研究基于 torch-uncertainty 框架实现，代码、环境说明与校准结果以匿名形式公开，便于复现。论文被 ICPR 2026 收录，该会议于 2026 年 8 月在里昂举行，arXiv 编号为 2610.25977。
为什么值得看
展示了简单的事后校准如何把分类模型变成可用的专家复核过滤器，对高类别数、强不平衡场景有直接参考价值。
论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。