基于共形预测的稀缺与非约束环境下的航拍图像分类

本文在一个具有挑战性的航拍图像数据集上对共形预测方法进行了全面的实证分析，该数据集包含非约束环境中的多种事件。共形预测是一种强大的事后技术，它接收任何分类器的输出并将其转换为可能标签的集合，对真实标签的覆盖提供统计保证。与在标准基准上的评估不同，我们的研究解决了数据稀缺和高度可变的真实世界场景的复杂性。我们研究了利用预训练模型（MobileNet、DenseNet 和 ResNet）的有效性，这些模型用有限的标记数据进行微调，以生成信息丰富的预测集。为了进一步评估校准的影响，我们考虑了两个并行流程（有无温度缩放），并使用两个关键指标评估性能：经验覆盖率和平均预测集大小。这一设置使我们能够系统地检验校准选择如何影响可靠性与效率之间的权衡。我们的研究结果表明，即使使用相对较小的标记样本和简单的不一致性分数，共形预测也能为复杂任务提供有价值的不确定性估计。此外，我们的分析表明，虽然温度缩放常用于校准，但它并不总是能产生更小的预测集，这凸显了在其应用中仔细考量的重要性。进一步地，我们的结果突出了模型压缩技术在共形预测流程中的巨大潜力，以便部署于资源受限的环境中。基于我们的观察，我们倡导未来的研究深入探讨噪声或模糊标签对共形预测性能的影响，并探索有效的模型缩减策略。