Tag · 4 篇
基础模型微调
PhenoYieldNet：学习作物感知的物候响应用于多作物产量预测
PhenoYieldNet: Learning Crop-Aware Phenological Responses for Multi-Crop Yield Prediction
把预训练基础模型编码器用自监督时序对比适配到农业时序动态，并用可学习查询+注意力解码器建模作物特异物候阶段——这套「基础模型+时序对比适配+查询式解码」组合可迁移到其他需要跨类别泛化的时序视觉预测任务。
局部精确精修：一种用于增强基础模型对抗光谱漂移泛化能力的双门控混合专家框架
Local Precise Refinement: A Dual-Gated Mixture-of-Experts for Enhancing Foundation Model Generalization against Spectral Shifts
把 MoE 的双门控路由用在基础模型特征的空间自适应精修上，并引入由 RGB 波段估计的深度特征作为结构先验，通过交叉注意力融合——这套「模态独立路由 + 结构引导融合」的微调范式可迁移到其他存在域偏移的密集预测任务。
微调损害了基础模型在长尾个性化联邦学习中的平衡性
Fine-Tuning Impairs the Balancedness of Foundation Models in Long-tailed Personalized Federated Learning
论文揭示了对基础模型进行微调会破坏其固有的类别平衡性，并提出用零样本预测净化本地梯度、以残差学习实现无偏个性化，这为视觉基础模型在非独立同分布长尾数据上的联邦微调提供了可复用的梯度修正与残差适配思路。
清洗池子：深度主动学习中未标注池的渐进式过滤
Cleaning the Pool: Progressive Filtering of Unlabeled Pools in Deep Active Learning
对视觉研究者而言，REFINE 提供了一种无需预先知道哪种采样策略最优的集成式主动学习流程：先用多策略集成对未标注池做渐进式过滤，再用覆盖度选择挑批，可直接套用到视觉基础模型（如 CLIP、DINOv2）的标注预算受限微调场景，且过滤后的池子能提升任意单一 AL 策略的表现。