论文摘要

在国际计算机视觉与模式识别大会（CVPR）的FGVC10研讨会中，创新奇智团队的出色表现引人瞩目。在PlantTraits挑战赛中，面对样本数据量极少的难题，他们巧妙运用迁移学习技术与创新架构设计，实现了突破性进展，最终摘得桂冠。

CVPR与PlantTraits挑战赛简介

CVPR作为计算机视觉领域的顶尖会议之一，吸引了全球众多学术界与产业界的关注。本次PlantTraits挑战赛，由包括丹麦哥本哈根大学、美国加州理工学院在内的全球知名高校及机构联合主办，共有来自世界各地超过1500个团队参与角逐。

PlantTraits 2023挑战赛概述

PlantTraits 2023挑战赛聚焦于预测全球范围内植物特性及其对气候变化的响应，通过集成植物图像与生长环境信息，参赛者需构建深度学习回归模型，从图像中精准预测如长度、发芽率等多达30项属性。主办方通过计算参赛队伍提交的植物特性文件的平均R2值来评定成绩。

创新奇智夺冠策略解析

针对回归任务的复杂性，创新奇智团队采取了独特的策略：首先进行分类任务以确定植物类别，再基于后处理获取特性值，以此大幅提升模型效能。面对数据稀缺的挑战，团队选择了ConvNeXtV2模型作为骨干网络，并在iNaturelist数据集上进行预训练，以增强植物特征提取能力。此外，通过归一化处理的元数据与图像特征相结合，进一步丰富了模型输入。在多层感知机（MLP）融合特征后，通过综合多个模型的推理结果并计算均值，最终确定植物特性值。这一系列创新步骤确保了模型在极少量数据条件下的高效运行。

模型与数据集详解

ConvNeXt V2模型结合自监督学习框架，优化了各种视觉识别任务的性能。iNaturalist数据集，作为包含5000多种生物物种的859,000张图像集，展示了自然界生物类别数量的不平衡性，为模型训练提供了丰富资源。

结果与影响

创新奇智团队凭借上述策略，在PlantTraits 2023挑战赛中独占鳌头。这不仅彰显了团队在AI理论研究的深厚底蕴与创新能力，也为未来将AI技术广泛应用于人工智能制造、金融等领域奠定了坚实的基础。CTO张发恩表示，团队在少样本学习领域的深入研究，使得在数据量有限的场景下，AI系统的性能得以显著提升，对于传统制造业等样本数据稀缺领域具有重要应用价值。

展望未来

创新奇智将继续在人工智能领域进行创新探索，为AI技术的实际应用提供更多的可能性与解决方案。