自監督學習在高光譜作物資料上準確率只有 50%——到底哪裡出問題？

你在做一個有趣的專案：用高光譜影像（就是能看到人眼看不到的光線的相機）來偵測高麗菜的氮肥缺乏。資料分三類：健康、輕度氮肥不足、嚴重氮肥不足。你想用自監督學習（BYOL、MAE、VICReg）先讓 AI 從未標記的資料學習特徵，再微調來做分類。聽起來很聰明，但準確率卡在 50% 左右，根本就是亂猜。你已經試過常見的招數：資料增強、換不同的自監督方法、正確的微調流程。問題可能是：高光譜資料的特性和這些自監督方法的設計初衷差太多、你需要針對光譜資料的特殊增強方式、或者預訓練的設定根本沒抓到作物壓力的關鍵特徵。建議先試試有監督學習的基準線表現如何，還有檢查一下你的資料增強是真的有幫助還是只是加雜訊。