用于离焦图像焦点预测中的深度学习不确定性建模

自动数字显微镜的关键技术之一就是自动对焦,为了提升对焦的速度,越来越多的深度学习方法被引入用于单帧图像的焦点预测。然而几乎所有的网络模型都过分信任其输出的结果,面对未知的样本即使输出错误的结果也不会给出任何警示。利用贝叶斯卷积神经网络的实现,可从单张图像中完成离焦距离的预测,并获得焦点预测结果的不确定性估计,此外提出通过设置不确定度阈值实现对焦点预测结果的筛选。在一个大型开源数据集上进行了测试,利用不确定性估计评估预测结果的有效性。结果表明,对比同类型样本,所提出的网络模型在未知样本上能够输出更高的不确定度,建立的筛选机制能有效减小模型在未知样本上的预测误差。在公共数据集上的两个样品的最终误差范围为0.37±0.46μm和0.83±1.17μm,优于筛选前的0.40±0.66μm和1.08±1.78μm。