基于测量不确定度表示指南的红外目标检测不确定度测量方案

doi:10.11772/j.issn.1001-9081.2024070941

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (7): 2162-2168.DOI: 10.11772/j.issn.1001-9081.2024070941

• CCF第39届中国计算机应用大会 (CCF NCCA 2024) • 上一篇下一篇

基于测量不确定度表示指南的红外目标检测不确定度测量方案

蒋沛宇¹, 王永光², 任亚亭¹, 李硕晨¹, 谭火彬¹()

^1.北京航空航天大学软件学院，北京 100191
^2.北京航天计量测试技术研究所，北京 100076

收稿日期:2024-07-08 修回日期:2024-09-26 接受日期:2024-10-09 发布日期:2025-07-10 出版日期:2025-07-10
通讯作者: 谭火彬
作者简介:蒋沛宇（2000—），男，安徽铜陵人，硕士研究生，CCF学生会员，主要研究方向：智能算法的不确定度测量
王永光（1987—），男，湖北十堰人，博士，主要研究方向：人工智能测量的不确定度评定、深度学习的不确定性估计、人工智能可解释性
任亚亭（1996—），女，河北邯郸人，CCF学生会员，博士研究生，主要研究方向：图神经网络、数据挖掘、机器学习
李硕晨（2002—），男，山西太原人，CCF学生会员，主要研究方向：智能算法的不确定度测量

Object detection uncertainty measurement scheme based on guide to the expression of uncertainty in measurement

Peiyu JIANG¹, Yongguang WANG², Yating REN¹, Shuochen LI¹, Huobin TAN¹()

^1.School of Software，Beihang University，Beijing 100191，China
^2.Beijing Aerospace Institute for Metrology and Measurement Technology，Beijing 100076，China

Received:2024-07-08 Revised:2024-09-26 Accepted:2024-10-09 Online:2025-07-10 Published:2025-07-10
Contact: Huobin TAN
About author:JIANG Peiyu， born in 2000， M. S. candidate. His research interests include uncertainty measurement of intelligent algorithms.
WANG Yongguang， born in 1987， Ph. D. His research interests include uncertainty assessment of artificial intelligence， uncertainty estimation of deep learning， explainable artificial intelligence.
REN Yating， born in 1996， Ph. D. candidate. Her research interests include graph neural network， data mining， machine learning.
LI Shuochen， born in 2002. His research interests include uncertainty measurement of artificial intelligence.

摘要/Abstract

摘要：

针对当前目标检测算法的不确定性研究将不确定性建模作为优化预测结果的一个步骤，而忽视了不确定性本身的性质的问题，提出一种基于测量不确定度表示指南（GUM）的目标检测结果评定方案。首先，将目标检测的不确定度来源分解为数据、模型、平台3个互相独立的方面，并从这3个方面提取不确定度影响因素，从而构建不确定度测量函数；其次，使用GUM中的A类评定方法和B类评定方法对不确定度影响分量进行度量；最后，基于测量函数使用不确定度合成法则，并由不确定度分量合成标准不确定度。在目标检测算法上展开实验，结果表明，与峰值信噪比（PSNR）和结构相似性（SSIM）相比，数据不确定度在捕捉噪声数据方面分别提高了5.30和19.08个百分点；模型不确定度对预测结果的影响很小，在10^-6范围内可以忽略；平台的不确定度可以用数值化形式表示由软硬件平台带来的预测结果差异。

关键词: 目标检测算法, 不确定度测量, 不确定度分解与合成, 图像数据, 软硬件平台

Abstract:

Aiming at the problem of treating uncertainty modeling as a step for optimizing prediction results while ignoring the value of uncertainty itself in current object detection algorithms， an object detection result evaluation scheme based on Guide to the Expression of Uncertainty in Measurement （GUM） was proposed. Firstly， sources of uncertainty in object detection were decomposed into three mutually independent aspects： data， model and platform. Then， uncertainty influence factors were extracted from these three aspects to construct measurement function. Secondly， type A and type B evaluation methods in GUM were used to measure uncertainty influence components. Finally， uncertainty synthesis rules were used on the basis of the measurement function， and standard uncertainty was synthesized from uncertainty components. Experiments were conducted by using an object detection algorithm. The results show that compared to Peak Signal-to-Noise Ratio （PSNR） and Structural SIMilarity （SSIM）， the data uncertainty increased 5.30 and 19.08 percentage points respectively in capturing noisy data； model uncertainty has a tiny influence on the prediction results， which can be ignored within the range of 10^-6； platform uncertainty can represent prediction result differences caused by software and hardware platforms in numerical form.

Key words: object detection algorithm, uncertainty measurement, uncertainty decomposition and synthesis, image data, software and hardware platforms

中图分类号:

TP183

蒋沛宇, 王永光, 任亚亭, 李硕晨, 谭火彬. 基于测量不确定度表示指南的红外目标检测不确定度测量方案[J]. 计算机应用, 2025, 45(7): 2162-2168.

Peiyu JIANG, Yongguang WANG, Yating REN, Shuochen LI, Huobin TAN. Object detection uncertainty measurement scheme based on guide to the expression of uncertainty in measurement[J]. Journal of Computer Applications, 2025, 45(7): 2162-2168.

图/表 6

参考文献 19

[1]	ZOU Z， CHEN K， SHI Z， et al. Object detection in 20 years： a survey ［J］. Proceedings of the IEEE， 2023， 111（3）： 257-276.
[2]	GAWLIKOWSKI J， TASSI C R N， ALI M， et al. A survey of uncertainty in deep neural networks ［J］. Artificial Intelligence Review， 2023， 56（S1）： 1513-1589.
[3]	GUO Q， CHEN S， XIE X， et al. An empirical study towards characterizing deep learning development and deployment across different frameworks and platforms ［C］// Proceedings of the 34th IEEE/ACM International Conference on Automated Software Engineering. Piscataway： IEEE， 2019： 810-822.
[4]	EISENHART C. Realistic evaluation of the precision and accuracy of instrument calibration systems ［M］// KU H H. Precision measurement and calibration： selected NBS papers on statistical concepts and procedures. Gaithersburg， MD： National Institute of Standards and Technology， 1969： 21-47.
[5]	International Organization for Standardization. Guide to the expression of Uncertainty in Measurement （GUM）： Guide 98-1993 ［S］. Geneva： International Organization for Standardization， 1993.
[6]	国家质量监督检验检疫总局. 测量不确定度评定与表示：［S］.北京：中国标准出版社，2012： 1-13.
	General Administration of Quality Supervision， Inspection and Quarantine of China. Evaluation and expression of uncertainty in measurement：［S］. Beijing： Standards Press of China， 2012： 1-13.
[7]	YELLENI S H， KUMARI D， SRIJITH P K. Monte Carlo DropBlock for modeling uncertainty in object detection ［J］. Pattern Recognition， 2024， 146： No.110003.
[8]	LIU J， ZHANG J， BARNES N. Modeling aleatoric uncertainty for camouflaged object detection ［C］// Proceedings of the 2022 IEEE/CVF Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2022： 1445-1454.
[9]	CHOI J， ELEZI I， LEE H J， et al. Active learning for deep object detection via probabilistic modeling ［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 10244-10253.
[10]	郭天太.计量学基础［M］. 3版.北京：机械工业出版社，2022： 85-91.
	GUO T T. Fundamentals of metrology ［M］. 3rd ed. Beijing： China Machine Press， 2022： 85-91.
[11]	KROTKOV E. Focusing ［J］. International Journal of Computer Vision， 1988， 1（3）： 223-237.
[12]	GIRSHICK R. Fast R-CNN ［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 1440-1448.
[13]	ZHANG S， LI H， WANG M， et al. On the convergence and sample complexity analysis of deep Q-networks with ε-greedy exploration ［C］// Proceedings of the 37th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2023： 13064-13102.
[14]	ZHU Y， LI J， LI G， et al. Hot or cold？ adaptive temperature sampling for code generation with large language models ［C］// Proceedings of the 38th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2024： 437-445.
[15]	NumPy. numpy.tanh gives different results on Windows and Linux #9187 ［EB/OL］. ［2024-04-10］. .
[16]	LIU Q， LI X， HE Z， et al. LSOTB-TIR： a large-scale high-diversity thermal infrared object tracking benchmark ［C］// Proceedings of the 28th ACM International Conference on Multimedia. New York： ACM， 2020： 3847-3856.
[17]	WANG Z， JIN L， WANG S， et al. Apple stem/calyx real-time recognition using YOLO-v5 algorithm for fruit automatic loading system ［J］. Postharvest Biology and Technology， 2022， 185： No.111808.
[18]	ZHOU F， ZHAO H， NIE Z. Safety helmet detection based on YOLOv5 ［C］// Proceedings of the 2021 IEEE International Conference on Power Electronics， Computer Applications. Piscataway： IEEE， 2021： 6-11.
[19]	ZHU X， LYU S， WANG X， et al. TPH-YOLOv5： improved YOLOv5 based on Transformer prediction head for object detection on drone-captured scenarios ［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision Workshops. Piscataway： IEEE， 2021： 2778-2788.

对象描述	梯度值
原图中的目标	g₁
左边界向左平移一个单位	g₂
左边界向右平移一个单位	g₃
右边界向左平移一个单位	g₄
右边界向右平移一个单位	g₅
上边界向上平移一个单位	g₆
上边界向下平移一个单位	g₇
下边界向上平移一个单位	g₈
下边界向下平移一个单位	g₉

对象描述	梯度值
原图中的目标	g₁
左边界向左平移一个单位	g₂
左边界向右平移一个单位	g₃
右边界向左平移一个单位	g₄
右边界向右平移一个单位	g₅
上边界向上平移一个单位	g₆
上边界向下平移一个单位	g₇
下边界向上平移一个单位	g₈
下边界向下平移一个单位	g₉

分类		SD₁	SD₂	SD₃
airplane	5%噪声	15.09	5.66	16.98
	10%噪声	18.87	7.54	20.75
	15%噪声	26.42	9.43	32.08
	20%噪声	45.28	18.87	47.16
boat	5%噪声	15.05	5.81	30.11
	10%噪声	39.78	9.68	38.71
	15%噪声	37.63	12.92	52.69
	20%噪声	56.98	23.80	67.74
car	5%噪声	7.89	10.52	6.58
	10%噪声	9.21	11.84	11.18
	15%噪声	17.11	15.79	19.74
	20%噪声	26.33	18.42	35.53

分类		SD₁	SD₂	SD₃
airplane	5%噪声	15.09	5.66	16.98
	10%噪声	18.87	7.54	20.75
	15%噪声	26.42	9.43	32.08
	20%噪声	45.28	18.87	47.16
boat	5%噪声	15.05	5.81	30.11
	10%噪声	39.78	9.68	38.71
	15%噪声	37.63	12.92	52.69
	20%噪声	56.98	23.80	67.74
car	5%噪声	7.89	10.52	6.58
	10%噪声	9.21	11.84	11.18
	15%噪声	17.11	15.79	19.74
	20%噪声	26.33	18.42	35.53

软硬件	研究平台	使用平台
计算设备	RTX 3090	Intel Core i7-6700
内存	128 GB	16 GB
操作系统	Ubuntu 22.04.3 LTS	Windows 10 22H2
Python	版本3.8.16	版本3.8.16
PyTorch	版本2.0.0+cu117	版本2.0.0+CPU

基于测量不确定度表示指南的红外目标检测不确定度测量方案

Object detection uncertainty measurement scheme based on guide to the expression of uncertainty in measurement

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 19

相关文章 3

编辑推荐

Metrics

[1]	郑思诚, 孔令华, 游通飞, 易定容. 动态环境下基于深度学习的语义SLAM算法[J]. 计算机应用, 2021, 41(10): 2945-2951.
[2]	孙鹏, 肖经, 赵海盟, 刘帆, 晏磊, 赵红颖. 基于DSP的无人机遥感影像SIFT算法设计与实现[J]. 计算机应用, 2020, 40(4): 1237-1242.
[3]	富振奇, 邵枫. 三维重定向图像主观和客观质量评价方法[J]. 计算机应用, 2019, 39(5): 1434-1439.