Python-远程-1个月

项目编号：【142250】
当输入样本超出训练分布或被噪声破坏时，神经网络预测是不可靠的。能够自动检测此类故障是将深度学习算法集成到机器人技术中的基础。当前用于神经网络不确定性估计的方法需要对网络和优化过程进行更改，通常会忽略有关数据的先验知识，并且倾向于做出低估不确定性的过度简化假设。为了解决这些限制，我们希望提出了一个新的不确定性估计框架。如基于贝叶斯信念网络和蒙特卡洛采样。

项目是关于遥感图像的语义分割，即为每个像素分配一个语义标签。 特定的数据集无关紧要，但可以先用以下两个数据集进行洪水检测，例如 https://nasa-impact.github.io/etci2021/ https://go.topcoder.com/spacenet/ 。
关于估计不确定性的具体要求：主要想要设计一种主要与模型无关的方法，可以应用于不同的神经网络架构和预训练模型。 这意味着它既不需要特定的模型，也不需要再培训。 例如https://rpg.ifi.uzh.ch/docs/RAL20_Loquercio.pdf。