我院王琦教授团队3项研究成果被CVPR2026录用
使用案例研究提升团队学习效果 #生活技巧# #团队建设技巧# #团队培训教程#
近日,我院王琦教授团队在持续学习、指向性分割等领域取得重要突破,相关研究论文《Batch Loss Score for Dynamic Data Pruning》、《Discriminative Perception via Anchored Description for Reasoning Segmentation》、《Beyond Prompt Degradation: Prototype-guided Dual-pool Prompting for Incremental Object Detection》被人工智能领域CCF-A类顶级国际会议 CVPR (Conference on Computer Vision and Pattern Recognition)2026录用。
基于批次损失分数的动态数据裁剪
在训练深度学习模型时,动态数据剪枝通过跳过那些“信息量低”的样本来加快训练速度。通常,我们用每个样本的损失值来衡量它的信息量。但在一些复杂的模型或多任务场景中,要单独算出每个样本的损失往往很麻烦,需要修改大量代码,这导致这种方法很难被广泛使用和部署。

图1:方法流程图
针对此,团队提出批量损失分数机制,创新设计“基于指数移动平均的噪声滤波评分方法”。该机制仅依赖训练过程中易于获取的批次损失,通过为每个样本维护条件更新的指数移动平均序列,从信号处理角度实现对批次组成噪声的高频滤波,从而稳健地估计样本的持续性损失贡献。实验结果表明,该方法仅需三行代码即可无缝集成至现有训练流程,在各类模型和任务上实现20%至50%的样本无损剪枝,显著提升训练效率。该研究为突破样本级损失获取瓶颈、实现高效通用的动态数据剪枝提供了即插即用的解决方案。论文作者为博士生周情、赵炳轩、杨涛,通讯作者为王琦教授。
判别性感知驱动的推理分割框架
推理分割任务要求模型理解复杂的语言描述,并准确地在图像中找出对应的物体,甚至要画出它的轮廓。这就要求模型不仅能看,还要能推理。现有的方法虽然会用强化学习让模型在定位前先“思考”一下,但奖励机制只关注最终定位准不准,无法判断“思考”过程是否始终围绕目标。结果,模型的思考过程常常变得冗长、跑题,甚至被无关信息干扰,最终影响定位的准确性。

图2:判别性感知框架流程图
针对此,团队提出判别性感知框架,创新设计“锚定描述驱动的对比判别机制”。该框架通过引导多模态大模型生成锚定于目标区域的描述性文本,并利用预训练视觉语言模型计算该描述与目标区域及全图上下文之间的语义相似度对比,从而显式量化模型的判别能力。实验结果表明,该方法在ReasonSeg基准上实现3.09%的cIoU提升,同时将推理链长度平均缩短42%,显著提升了模型的推理效率与可解释性。该研究为强化推理过程中的目标锚定性、提升复杂场景下的分割泛化能力提供了新的技术路径。论文共同第一作者为博士生杨涛和周情,通讯作者为王琦教授。
原型引导的双池提示增量目标检测框架
持续目标检测希望模型能不断学习新出现的物体类别和场景,同时不忘已经学会的旧知识。这在无人监控、遥感巡检、智能安防等需要长期运行的系统中特别重要。然而,现有方法通常需要大量人工标注的精确边框,还假设训练时可以随时回顾旧数据或知道所有类别,这些条件在实际应用中往往很难满足。

图3: 提示解耦框架图
针对此,团队提出提示解耦框架,创新设计“双池提示解耦机制”,通过构建任务通用共享池与任务特定私有池,显式分离通用知识与判别特征,缓解持续学习过程中由提示耦合与提示漂移引发的性能退化问题。实验结果表明,该方法在MS-COCO基准上实现9.2%的AP提升,在PASCAL VOC基准上实现3.3%的AP提升。该研究为解决提示退化问题、提升增量目标检测在开放场景下的泛化能力提供了新的技术路径。论文作者为博士生张尧腾、周情及高君宇副教授,通讯作者为王琦教授。
更多研究成果详见团队主页:https://crabwq.github.io/
(文:周情,审核:赵斌)
网址:我院王琦教授团队3项研究成果被CVPR2026录用 https://c.klqsh.com/news/view/347855
相关内容
理学院马凤玲教授团队在心理学国际顶级期刊Psychological Science上发表最新研究成果【科技新知】结核病快速诊断有了新技术!郭述良教授团队联合白丽娟教授团队发布最新研究成果
《Nature Water》报道张根教授团队最新研究进展
授权型领导研究:影响效果、因素及其在团队中的分配
科学研究
【科技新知】重医附一院程伟教授团队研发肿瘤RNA原位成像新方法,1小时内完成RNA原位检测
人文学院赵稀方教授在《文艺研究》发表理论批评最新研究成果
打脸!中科院明星教授杨辉最终承认剽窃他人研究
王琦
我院研究员王国雨教授在“浙江宣传”公众号发表文章

