面向可靠 hyperspectral 图像分类的空间感知保守预测
定量方法
2024-09-04 v1 机器学习
摘要
hyperspectral 图像（HSI）分类涉及为每个像元分配唯一标签，以识别各种地覆盖类别。虽然深度分类器在该领域已实现高预测准确率，但缺乏对其预测置信度进行严格量化的能力。在关键情境中使用预测模型时，量化其确定性至关重要，而这一限制阻碍了其在预测错误成本较高的场景中的应用。为支持 HSI 分类器的安全部署，我们首先提供了关于在 HSI 分类背景下验证新兴不确定性量化技术——保守预测，有效性的理论证明。随后，我们提出了一种保守程序，为任何训练好的 HSI 分类器提供可靠的预测集，确保这些集在用户指定的概率（例如 95%）下包含真实标签。建立在此基础上的，我们引入了空间感知保守预测（\texttt{SACP}），这是一种专为 HSI 数据设计的保守预测框架。该方法通过整合 HSI 中固有的空间信息，聚合具有高空间相关性的像元的非惯顺分数，从而有效提高了预测集的效率。理论和实证结果均验证了我们方法的有效性。源代码已公开于 \url{https://github.com/J4ckLiu/SACP}。
引用
@article{arxiv.2409.01235,
title = {MRI-based and metabolomics-based age scores act synergetically for mortality prediction shown by multi-cohort federated learning},
author = {Pedro Mateus and Swier Garst and Jing Yu and Davy Cats and Alexander G. J. Harms and Mahlet Birhanu and Marian Beekman and P. Eline Slagboom and Marcel Reinders and Jeroen van der Grond and Andre Dekker and Jacobus F. A. Jansen and Magdalena Beran and Miranda T. Schram and Pieter Jelle Visser and Justine Moonen and Mohsen Ghanbari and Gennady Roshchupkin and Dina Vojinovic and Inigo Bermejo and Hailiang Mei and Esther E. Bron},
journal= {arXiv preprint arXiv:2409.01235},
year = {2024}
}