相关实验视频
Updated: May 10, 2026
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
通过半监督深度学习检测淡水体中的漂浮垃圾
Tianlong Jia1, Rinze de Vries2, Zoran Kapelan1
1Delft University of Technology, Faculty of Civil Engineering and Geosciences, Department of Water Management, Stevinweg 1, 2628 CN Delft, The Netherlands.
Water research
|September 12, 2024
概括
本研究引入了一种半监督学习方法,使用多个视图之间的交换任务 (SwAV) 来检测水道中的漂浮垃圾. 这种方法提高了检测准确性和对新位置的概括性,优于传统的监督方法,特别是在有限的标记数据下.
科学领域:
- 计算机视觉 计算机视觉
- 环境监测 环境监测
- 机器学习 机器学习
背景情况:
- 监督深度学习方法被广泛用于量化浮动垃圾,但需要大量的标记数据,这是稀缺和昂贵的.
- 由于依赖于通用的预训练功能,现有的方法难以在不同位置,环境条件和传感器设置中进行概括.
- 像ImageNet这样的大型通用数据集的微调提供了改进,但对于河流垃圾检测等专业任务是有限的.
研究的目的:
- 开发和验证一个双阶段的半监督学习方法,用于检测河流和运河中的漂浮垃圾.
- 提高垃圾检测模型对未见的位置和条件的概括能力.
- 减少对大量标记数据的依赖,以有效量化垃圾.
主要方法:
- 利用多个视图之间的交换分配 (SwAV),一种自我监督的学习方法,在大约10万张未标记的图像上预先训练ResNet50骨干.
- 开发了一个更快的R-CNN架构,通过向SwaV预训练的骨干添加新层,并使用有限的标记图像集 (约1,800张图像与2,600个垃圾项目) 微调它.
- 在德尔夫特 (荷兰) 和雅加达 (印度尼西亚) 的数据上验证了方法,在胡志明市 (越南),阿姆斯特丹和格罗宁根 (荷兰) 的数据上测试了零射击概括.
主要成果:
- 半监督方法与熟悉的培训场所的监督学习基准相匹配或超过,特别是在最少的微调数据 (约200张图像) 中表现更好.
- 实现了对未见位置的概括的显著改进,平均精度增加了高达12.7%.
- 与监督方法相比,证明了虚假阳性预测的减少,特别是当有限的标记数据可用时.
结论:
- 拟议的两阶段的半监督学习方法,利用SwaV预训练,为浮动垃圾检测提供了卓越的特征提取.
- 这种方法有效地解决了环境监测任务中的数据稀缺问题,并增强了模型的概括性.
- 这些发现表明了开发环境监测中人工智能应用的基础模型的有希望的方向,有助于应对全球水污染挑战.
