基于分位数回归校准的组条件保角预测用于作物与杂草分类

随着深度学习预测模型成为大范围精准农业系统不可或缺的一部分，此类自动化方案被采用的障碍在于用户对这些高度复杂、不透明且不确定模型缺乏信任。的确，深度神经网络未配备任何可用于认证系统性能的显式保证，尤其是在如农业计算机视觉通常面临的高度变化且不受控的环境中。幸运的是，其他领域开发的某些方法可能对农业应用十分重要。本文提出保角预测框架，该框架以几乎无假设的方式为任意黑盒预测机器的预测性能提供有效统计保证，并应用于真实条件下杂草与作物深度视觉分类问题。该框架以其实际方面为重点进行阐述，并特别关注提供模型覆盖边际保证的自适应预测集（APS）方法。随后表明，边际结果不足以保证对群体中所有个体组的性能，这些组由其图像采集期间收集的环境与土壤气候辅助数据刻画。为应对这一不足，提出了组条件保角方法：由在所有组上迭代应用APS过程的“经典”方法，以及所提出的使用该过程在组成员指示符上分位数回归的优雅重构与实现。给出了显示所提方法有效性的实证结果，并与边际APS进行比较而后讨论。