一个轻量级的空间和光谱CNN模型,用于使用超光谱图像对浮动海洋塑料碎片进行分类
Adam El Bergui1, Alice Porebski1, Nicolas Vandenbroucke1
1Univ. Littoral Côte d'Opale, UR 4491, LISIC, Laboratoire d'Informatique Signal et Image de la Côte d'Opale, Calais F-62100, France.
Marine pollution bulletin
|April 19, 2025
概括
一个新的深度学习模型,轻量级空间和光谱高光谱CNN (LSS-HCNN),有效地使用高光谱成像对海洋塑料碎片进行分类. 这种方法提高了准确性和可解释性,同时大大降低了环境监测的计算复杂性.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
背景情况:
- 海洋塑料污染是一个关键的环境问题,需要有效的检测方法.
- 超光谱成像与深度学习相结合,有可能对塑料垃圾进行分类.
- 现有的深度学习模型面临着计算复杂性和可解释性方面的挑战.
研究的目的:
- 开发一个高效和可解释的深度学习模型,用于海洋塑料垃圾的分类.
- 为了解决高维度和计算需求的高光谱图像分析.
- 为了提高浮动海洋塑料检测的准确性.
主要方法:
- 提出了轻量级空间和光谱超光谱CNN (LSS-HCNN) 模型.
- 利用空间和光谱的卷积来提取特征.
- 整合了一个Squeeze-and-Excitation (SE) 块,以提高可解释性和频段聚焦.
- 在各种高光谱数据集上进行实验,包括VIS-NIR,NIR-SWIR和融合领域的浮动塑料废物数据.
主要成果:
- 在浮动塑料数据集上,LSS-HCNN的平均分类准确度为97.64%.
- 该模型显著降低了复杂性,与标准2D-CNN相比,参数减少了80%以上,FLOPS减少了7倍.
- 根据SE块分析,NIR-SWIR波段对于塑料的分类至关重要.
- LSS-HCNN的表现优于传统和其他深度学习方法.
结论:
- LSS-HCNN是用于海洋塑料碎片分类的计算效率高和高度准确的模型.
- 该模型增强了可解释性,有助于理解特征的重要性 (例如,NIR-SWIR频段).
- 这种方法支持了对海洋污染的自动环境监测的进展.
