2026.04.30 农业智能与信息工程组组会记录

1.汇报文献：CaKDP: Category-aware Knowledge Distillation and Pruning Framework for Lightweight 3D Object Detection 

2.该论文针对激光雷达 3D 检测模型压缩中教师模型能力不足、学生架构设计粗糙、误检冗余三大痛点，基于一阶段与二阶段 3D 检测模型的特性差异，构建了包含三大核心机制的 CaKDP 框架：一是提出学生驱动型类别感知知识蒸馏（CaKD），突破传统同构蒸馏限制，将二阶段高精度教师模型的类别预测知识迁移至一阶段学生模型，通过 NMS 选取学生代表性样本，对齐师生类别预测分布，弥合异构检测器的特征鸿沟，同时缓解前景背景失衡问题；二是设计类别感知结构化剪枝（CaPr），以类别预测差异度作为滤波器重要性评估指标，统一衡量 3D 与 2D 主干网络的滤波器权重，按重要性动态裁剪冗余结构，替代传统等比例剪枝，实现轻量化学生模型的可定制化架构搜索；三是引入改进型 IOU 感知精炼模块，通过新增 IOU 预测头筛选低置信度假阳性样本，仅过滤冗余预测而非重打分，以近乎可忽略的计算开销提升检测精度。实验在 KITTI、Waymo Open Dataset（WOD）两大权威 3D 检测数据集上验证，结果显示：在 KITTI 数据集上，CaKDP 将 SECOND 模型参数压缩 3.1 倍的同时，mAP@R40 提升 5.05%；在 WOD 数据集上，将 CenterPoint 计算量减半，L2 mAPH 提升 1.61%，远超 Vanilla KD、SparseKD、PointDistiller 等主流压缩方法。消融实验证实，CaKD、CaPr、IOU 精炼三大模块协同作用，能在大幅降低模型参数量与计算量的同时，显著提升检测精度。该框架实现了 3D 检测模型高精度与轻量化的平衡，无需新增复杂推理模块，可直接兼容现有一阶段体素式 3D 检测器，为自动驾驶、机器人、VR 等场景的边缘端实时 3D 目标检测提供了高效可行的压缩方案。

2.该论文通过构建高质量农业数据集CCAD（含22万条Q&A对及15.8万token的知识库），提出知识引导的农业大模型KALLM，结合知识协调的微调（KCFT）（通过动态调整农业关键词的损失权重，让模型更关注领域专业术语）和主题匹配的自反思RAG（TSRAG）（用主题词检索并经DPR语义相似度+ChatGPT领域过滤，提升证据检索精度），解决了农业领域LLM因数据稀缺、token级监督不足、句子级证据检索困难导致的知识整合问题；实验表明，KALLM在文本生成指标（如手动数据使BLEU从0.980提升至2.205、ROUGE-1从0.212提升至0.893、BertScore从0.587提升至0.676，且相比原生GPT-4全指标平均提升29.37%、相比传统SFT+RAG提升15.97%）和专家评估（3位一线农技专家双盲测试显示，在流畅性、专业性、信息丰富度、可操作性、整体评分等维度均位列第一，整体评分7.7/10）中均优于基线模型，输出符合农业规范，具备直接落地的农事决策指导价值。