Contrastive Self-Supervised Pretraining for Artificial Intelligence Agriculture Weed Detection Under Label Scarcity: A Computer Transfer-Robustness Evaluation

精准农业中的杂草检测模型通常基于标注田间影像训练，而这类影像获取成本高且地理覆盖范围狭窄，因此在一个地区拟合的模型部署到另一地区时可能悄然失效。对比自监督预训练被认为是一种补救方案，因为它能够从无标注图像中学习表征，但所得表征在何种条件下能够跨域稳健迁移，目前仍缺乏充分刻画。我们定义了一个表征层面的鲁棒性泛函，将对外扰变换的不变性与对类别判别结构的敏感性区分开来，并推导了目标域误差的上界，该上界由源域误差、表征稳定性和一个域散度项构成。该上界表明，对比预训练只有在预训练所用增强分布与区分源域和目标域的变换集合存在重叠时才有帮助；否则，所学到的不变性恰好会抑制下游任务所需的特征。我们将该框架具体化为一个迁移鲁棒性评估协议，包含三个组成部分：标签预算扫描、域偏移阶梯和表征稳定性诊断。该协议被规定为一种设计模板，而非在新的田间数据上执行，我们在声明的方差结构下报告了该评估的解析运行特性。主要贡献在于精确陈述了对比预训练何时有望改善杂草检测迁移、何时预期会失败，并给出了一种使该预期可检验的评估设计。