University of Houston

该研究提出一个将移动机器人图像采集与卷积神经网络花卉识别相结合的智能园艺框架，机器人拍摄花园图像、CNN对花卉物种进行分类并给出植物专属信息以支持后续养护决策，在50张训练图像和50张独立测试图像上分别取得92.0%训练准确率和95.0%测试准确率，并为未来的灌溉、施肥和自主花园管理功能奠定基础。

该研究提出一个将移动机器人图像采集与卷积神经网络花卉识别相结合的智能园艺框架，机器人拍摄花园图像、CNN对花卉物种进行分类并给出植物专属信息以支持后续养护决策，在50张训练图像和50张独立测试图像上分别取得92.0%训练准确率和95.0%测试准确率，并为未来的灌溉、施肥和自主花园管理功能奠定基础。

作者提出 SEA-PEFT，把适配器配置当作微调过程中的在线分配问题，用“搜索—审计—分配”循环训练当前激活的适配器、通过临时关闭某个适配器来估计其 Dice 效用、再在参数预算下用贪心背包重新选择激活集合，并以 EMA+IQR 平滑和有限状态机稳定该循环；在 TotalSegmentator 与 FLARE’22 上，1/5/10-shot 设置下平均 Dice 比最强的固定拓扑 PEFT 基线高 2.4–2.8 分，同时训练参数少于 1%。

作者提出 SEA-PEFT，把适配器配置当作微调过程中的在线分配问题，用“搜索—审计—分配”循环训练当前激活的适配器、通过临时关闭某个适配器来估计其 Dice 效用、再在参数预算下用贪心背包重新选择激活集合，并以 EMA+IQR 平滑和有限状态机稳定该循环；在 TotalSegmentator 与 FLARE’22 上，1/5/10-shot 设置下平均 Dice 比最强的固定拓扑 PEFT 基线高 2.4–2.8 分，同时训练参数少于 1%。