VLLFL：基于轻量级联合学习的面向智能农业的视觉语言模型
计算机视觉与模式识别
2025-10-22 v2 人工智能
机器学习
摘要
在现代智能农业中，目标检测在通过实现自动化、精密农业和资源监控方面发挥着关键作用。通过识别作物健康状况和害虫爆发，以优化收获过程，准确的目标检测既提高生产力又提高可持续性。然而，训练目标检测模型通常需要大规模数据收集，并引发隐私问题，尤其是当敏感农业数据分布在不同农场之间时。为此，我们提出了 VLLFL，即一种基于视觉语言模型的轻量级联合学习框架（VLLFL）。它利用视觉语言模型（VLM）的泛化能力和上下文感知检测能力，并利用联合学习的隐私保护特性。通过训练一个紧凑的提示生成器来提升部署在不同农场上的 VLM 性能，VLLFL 在保持隐私的同时大幅降低通信开销。实验结果表明，VLLFL 在 VLM 性能上实现了 14.53% 的提升，同时将通信开销降低了 99.3%。该框架涵盖了从识别各种水果到检测农业中有害动物的各种任务，为农业应用提供了一种高效、可扩展且具隐私保护性的解决方案。
引用
@article{arxiv.2504.13365,
title = {VLLFL: A Vision-Language Model Based Lightweight Federated Learning Framework for Smart Agriculture},
author = {Long Li and Jiajia Li and Dong Chen and Lina Pu and Haibo Yao and Yanbo Huang},
journal= {arXiv preprint arXiv:2504.13365},
year = {2025}
}