该模版展示了一项名为“DPHI”的少样本视觉语言识别训练方法研究（2026年），主要应用于农业工程领域的病害识别。该研究通过少样本标注图像和类别文本作为输入，在冻结的CLIP模型中实现视觉与文本提示的双向传递，并让类别中心随样本更新。在验证环节，研究团队使用陕西铜川实采的苹果病害数据（每类仅16张），取得了宏平均准确率92.11%和宏平均F1值92.20%的优异成果，其训练目标融合了交叉熵、相对距离损失与文本分散损失。这项技术突破了传统需要大量标注数据的局限，为少样本条件下的精准识别提供了高效方案。无论你是从事农业病害检测的研究人员、需要快速落地AI模型的算法工程师，还是关注前沿视觉语言模型应用的科研学生，都可以从中获得极具价值的参考与启发。