AgrI 挑战：面向农业视觉任务的跨团队验证数据中心 AI 竞赛
计算机视觉与模式识别
2026-03-17 v2 人工智能
机器学习
摘要
农业视觉中的机器学习模型常在精选数据集上取得高准确率，但因训练与部署环境之间的分布迁移，难以在真实田间条件下实现泛化。此外，大多数机器学习竞赛仅关注模型设计，而将数据集视为固定资源，未充分探讨数据收集实践在模型泛化中的作用。我们引入AgrI挑战，构建数据中心竞赛框架，使多个团队独立收集田间数据集，形成反映实际获取条件变异性的异构多源基准。为系统评估跨域泛化，我们提出跨团队验证（CTV）评估范式，将每个团队的数据集视为独立领域。CTV包含两套互补协议：Train-on-One-Team-Only（TOTO）测量单源泛化，Leave-One-Team-Out（LOTO）评估协作式多源训练。实验显示，单源训练下模型实现近乎完美的验证准确率，但在其他团队收集的数据集上表现显著下降，稀疏网络（DenseNet121）验证-测试间隙可达16.20%，Swin Transformer为11.37%。相比之下，协作式多源训练显著提升鲁棒性，将间隙分别降至2.82%和1.78%。挑战还产生了由十二个独立团队收集的50,673张六种树种田间图像的公开数据集，为研究领域迁移和数据中心学习提供了多样化基准。
引用
@article{arxiv.2603.07356,
title = {AgrI Challenge: A Data-Centric AI Competition for Cross-Team Validation in Agricultural Vision},
author = {Mohammed Brahimi and Karim Laabassi and Mohamed Seghir Hadj Ameur and Aicha Boutorh and Badia Siab-Farsi and Amin Khouani and Omar Farouk Zouak and Seif Eddine Bouziane and Kheira Lakhdari and Abdelkader Nabil Benghanem},
journal= {arXiv preprint arXiv:2603.07356},
year = {2026}
}
备注
17 pages, 8 figures, 6 tables. Introduces the AgrI Challenge dataset containing 50,673 field images of six tree species collected by twelve independent teams