ST-LoRA: Single Trajectory LoRA Ensemble for Uncertainty Aware Agricultural Segmentation
2026年8月2日arXiv上线cs.CV预印本ST-LoRA,提出面向农业不确定性感知语义分割的LoRA高效集成框架。研究针对数字农业决策支持对预测精度与不确定性校准的双重需求,以及集成方法计算与内存开销大的瓶颈,提出在单训练轨迹下构建多样化集成成员:每个成员共享冻结预训练骨干网络,仅通过轻量级低秩适配器(LoRA)差异,训练参数控制在全模型的10%以内,保持集成多样性。实验采用两套农业数据集:GrowliFlower-L(花椰菜,露天)和BUP20(甜椒,温室),覆盖分布内性能、分布偏移下的校准以及分布外检测。研究发现,前馈层而非注意力层是密集预测场景下LoRA的关键靶点(颠覆语言模型仅关注注意力的惯例),ST-LoRA在分割精度与校准上匹配或超越全秩集成,且显著降低训练时间、推理延迟、内存占用与存储需求;优于快照集成、MC Dropout与深度确定性不确定性等高效基线。