相关实验视频
Updated: Jan 13, 2026
12:44
Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
8.4K
一个基于学习的半监督框架,用于量化河流系统中的垃圾流量
Tianlong Jia1, Riccardo Taormina2, Rinze de Vries3
1Delft University of Technology, Faculty of Civil Engineering and Geosciences, Department of Water Management, Stevinweg 1, 2628 CN Delft, The Netherlands; Karlsruhe Institute of Technology (KIT), Institute of Water and Environment, Karlsruhe, Germany.
Water research
|October 29, 2025
概括
一个新的半监督学习 (SSL) 框架改善了在河流中浮动塑料的检测,优于传统方法. 这种方法通过更好地识别小垃圾项目和量化流量来加强河流污染监测.
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:
- 监督深度学习 (SL) 用于检测水体中的浮动巨型塑料垃圾.
- 量化广河流中的垃圾流量对于污染评估至关重要,但研究不足.
- SL模型需要大量的标记数据,并与小垃圾检测作斗争.
研究的目的:
- 提出一个基于半监督学习 (SSL) 的框架,结合切片辅助超推理 (SAHI) 来量化河流中横截面漂浮垃圾流.
- 克服SL方法的局限性,包括数据要求和小垃圾物品的检测.
主要方法:
- 一个由四个步骤组成的框架:图像收集,SSL模型开发,SAHI应用用于检测和流量量化.
- SSL涉及对未标记的数据进行自我监督的预训,并对有限的标记数据进行监督的微调,使用Faster R-CNN与ResNet50骨干.
- 对域内和域外零射击检测性能和流量量化精度的评估,与SL和人数计数相比.
主要成果:
- 与SL基准相比,SSL模型显示在域内 (F1分数+0.2) 和域外 (+0.14) 检测有所改善,受益于更大的预训练数据集和时代.
- 通过识别45个额外的小垃圾物品 (<1,000厘米2),SAHI提高了F1得分高达0.19.
- 与人类测量相比,SSL框架低估了流量的3-4倍,但估计的流量是基线SL框架的两倍.
结论:
- 与SAHI提出的基于SSL的框架显示了增强漂浮垃圾检测和河流流量测量的巨大潜力.
- 与SL方法相比,SSL模型提供了更好的性能,特别是具有足够的预训练数据.
- 通过更广泛的数据集进行进一步扩展,可以推进全球垃圾监测系统,尽管目前由于错过透明或纠的项目而低估了流量.
