Tommy Huang

沒放一張圖感覺怪怪的

源由

2022/06/18晚上收到阿財的message說他要做一系列給畢業生解惑的影片,很榮幸在「AI工程師」這個職位是由我被訪問。很迅速的我們約在6/21晚上,然後阿財又很迅速地在同一個禮拜五(6/24)就剪輯完成,影片在周六上架。

最早知道阿財這個頻道是特斯拉AI Day這部影片,在2021年Tesla AI Day在youtube影片出來的時候,我先開始聽原版,聽完後沒幾天阿財就發了一支特斯拉AI Day的介紹影片

特斯拉 自動駕駛 FSD 細節 !!?? AI 總監 Andrej Karpathy在ScaledML 大會上介紹 AI怎麼用在Tesla自動駕駛上 ?

後續一系列的介紹影片

特斯拉 AI的自動駕駛 AI 總監 Andrej Karpathy 在scaledML大會上的介紹 [錄製濃縮]

特斯拉 自動駕駛FSD 的演進 Tesla AI day 特斯拉AI總監介紹

特斯拉 AI day 特斯拉 FSD 自動駕駛 路徑選擇 和 模擬器 特斯拉autopilot主管 Ashok篇

阿財非常簡單清楚的介紹,把裡面重點都節錄出來,你可以只花這三部影片的時間就可以聽得懂相關技術方向(而且還是中文)。

附上阿財的相關連結:

科技財知道 youtube頻道

--

--

指數(exponential)有兩種常見的定義,包括級數定義(Series Definition)和極限定義(Limit Definition)。本篇文章主要是在介紹指數函數的級數定義和極限定義之間的等價性

指數級數定義: 對於實數或是複數的x,指數函數的級數,

指數極限定義: 對於實數或是複數的x,指數函數的極限:

--

--

因為前一陣子協助醫療單位進行相關的AI專案,在IRB審查回復階段被審查委員要求要有統計方法,但計劃書內其實已經提到會採用Dice coefficient來評估,但依舊被回復需要提供,因此寫了一小段和影像切割(Image Segmentation)的評估指標,也因為這一小段我去反思為什麼Dice coefficient明明長得跟IoU很像,為什麼要多這一個評估指標。

IoU的簡介我在過去文章「深度學習系列: 什麼是AP/mAP?」最後面的文章內有敘述,這邊會用別的觀點在簡述一次。

AI影像切割任務(Image Segmentation)常用的統計量化指標來進行模型評估,分別為Intersection-Over-Union (IoU)和Dice coefficient (Dice係數)來評估影像切割的正確性,IoU和Dice係數皆是基於confusion matrix進行計算,相關簡述如下,

真實類別: 手動標註的人工類別。 AI判斷結果: AI模型判斷得結果。

TP(True Positive): 實際為有病的像數位置,AI也判斷為有病。

FN(False Negative): 實際有病的像數位置,AI判斷為沒有病。

FP(False Positive): 實際沒有病的像數位置,AI判斷為有病。

TN(True Negative): 實際沒有病的像數位置,AI也判斷為沒有病。

在計算這個confusion的時候需要針對真實類別的每個類別分別去算,所以才會有每一類別的IoU和Dice係數指標。

真實類別: 手動標註的人工類別。

AI判斷結果: AI模型判斷得結果。

Note: 因為我是直接沿用計畫回覆內容,所以會用醫師標註作為真實答案。

一般Image Segmentation任務通常都會有Ground truth的答案提供,例如車輛或是建築物的影像切割答案,但這個答案通常都很絕對,也就是你不太可能把車子判斷成建築物(假設沒有標註錯誤的情況下)。

但醫療相關的資料會比較麻煩,因為醫療比較吃醫生或是專家的domain knowledge,所以每個醫生/專家的標註資料有可能再判斷病徵的時候因為所學不同造成判斷的結果不太一樣。

如果有比較進階的讀者應該可以發現很多演算法在不同領域解釋的角度都不太一樣。

所以在醫療相關的學術研究為了避免/減緩這個問題,通常會同一筆資料給予3–5為以上的專家進行標註,評估專家間的agreement(我個人中文翻譯傾向用”一致性”),然後再進行交叉比較,把那些答案不一樣的資料拿出來討論得到最終的答案,而這個專家間的agreement可視為這個任務的upper bound reference。

  • 這段內容提供給做醫療相關的讀者參考。但我以前在研究有專業人士跟我說我就是標準,大家都是follow我的規範,這又是題外話了。

IoU

又稱為Jaccard Index為AI影像切割任務最常採用的評估方式,計算方式為

--

--

Tommy Huang

Tommy Huang

怕老了忘記這些吃飯的知識,開始寫文章記錄機器/深度學習相關內容。黃志勝 Chih-Sheng Huang (Tommy), mail: chih.sheng.huang821@gmail.com