TinyBayes：通过 Jacobi 先验实现边缘设备实时图像分类的闭式贝叶斯推断
摘要
可可 (Theobroma cacao) 是西非数百万小农户的关键经济作物，在那里可可肿枝病毒病 (CSSVD) 和炭疽病造成毁灭性的产量损失。从叶片图像中自动检测疾病对于早期干预至关重要，然而在资源受限的环境中部署此类系统要求模型体积小、速度快且无需互联网连接。现有的可边缘部署植物病害系统依赖端到端深度学习且无不确定性量化，而针对边缘设备的贝叶斯方法侧重于硬件级推断架构而非农业应用。我们用 TinyBayes 弥合了这一差距，这是首个将闭式贝叶斯分类器与移动级计算机视觉管道相结合用于作物病害检测的框架。我们的管道使用 YOLOv8-Nano (5.9 MB) 进行病灶定位，MobileNetV3-Small (3.5 MB) 进行特征提取，并使用 Jacobi 先验（一种通过投影提供闭式非迭代估计量的贝叶斯方法）进行分类。Jacobi-DMR（分布式多项回归）分类器仅给管道增加 13.5 KB，使模型总大小保持在 9.5 MB 以内，同时在 Amini Cocoa Contamination Challenge 数据集上达到 78.7% 的准确率，并实现每张图像 150 ms 以内的端到端 CPU 推断。我们与包括 Random Forest、SVM、Ridge、Lasso、Elastic Net、XGBoost 和 Jacobi-GP 在内的七种分类器进行了基准测试，并证明 Jacobi-DMR 在边缘部署的准确率、模型大小和推断速度之间提供了最佳权衡。我们证明了 Jacobi-DMR 的渐近等价性与一致性、渐近正态性及偏差校正。所有数据和代码可在此获取：https://github.com/shouvik-sardar/TinyBayes
引用
@article{arxiv.2605.06333,
title = {TinyBayes: Closed-Form Bayesian Inference via Jacobi Prior for Real-Time Image Classification on Edge Devices},
author = {Shouvik Sardar and Sourish Das},
journal= {arXiv preprint arXiv:2605.06333},
year = {2026}
}
备注
14 Pages, 1 Figure, 4 Tables