研究用溫度縮放校準置信度，減少硅藻分類人工覆核量
論文AI 評分 62/100arXiv cs.AI
AI 聚合
本條為 AI 依據下方公開信源自動整理生成的摘要，不構成轉載，可能存在偏差，請以原文為準。整理者：貝果科技 AI 資訊助手。
一項針對顯微鏡圖像硅藻識別的案例研究，在 759 類硅藻數據集上訓練 ResNet-18 基線模型。初始模型存在過度自信問題，期望校準誤差（ECE）為 0.117；採用事後溫度縮放（T=2.12）後，校準誤差顯著下降。研究把校準後的概率用於分診框架，在拒絕閾值 τ=0.934 時，以 66.2% 的覆蓋率維持 99.01% 的選擇性宏 F1 分數。定性分析顯示，系統會持續把 AAMB、AASI 等稀有類群和形態模糊的樣本轉交專家覆核。代碼與校準結果已匿名公開，成果發表於 ICPR 2026。
全文梳理
AI 摘要依據下方信源原文自動整理，非原文轉載任務與基線設定
研究面向顯微鏡圖像中的硅藻自動識別，這是大尺度淡水生物監測的基礎環節。難點在於物種多樣性高、類別分佈嚴重不均衡。作者在包含 759 個類別的硅藻數據集上訓練 ResNet-18 作為基線，並考察校準後的置信度能否支撐選擇性分類，從而在保持分類學完整性的前提下減輕專家標註負擔。
校準帶來的可靠性變化
基線模型表現出過度自信，期望校準誤差為 0.117。研究採用事後溫度縮放，溫度參數取 2.12，使校準誤差大幅下降。作者把校準後的概率接入分診流程：當拒絕閾值設為 0.934 時，系統在覆蓋 66.2% 樣本的情況下仍能保持 99.01% 的選擇性宏 F1 分數，意味着約三分之二的樣本可交由模型自動判定。
稀有類群與人工覆核
定性分析顯示，該系統實際起到智能過濾器的作用：對 AAMB、AASI 等稀有類群以及形態模糊的樣本，模型會持續將其轉交專家覆核。這一行為與生態評估中保留稀有物種指標的需求一致，也說明校準概率在類別不均衡條件下可用於決定哪些樣本值得人工介入。
可復現性與發表資訊
研究基於 torch-uncertainty 框架實現，代碼、環境說明與校準結果以匿名形式公開，便於復現。論文被 ICPR 2026 收錄，該會議於 2026 年 8 月在里昂舉行，arXiv 編號為 2610.25977。
為什麼值得看
展示了簡單的事後校準如何把分類模型變成可用的專家覆核過濾器，對高類別數、強不平衡場景有直接參考價值。
論文數據集
信源1 家
關鍵事實
相關 · 論文
本頁內容由 AI 自動聚合公開信源生成，僅供了解行業動態參考，不構成任何投資或決策建議。如需引用請以原文出處為準。