自主监督的层次扩展变压器网络用于高光谱土壤微塑料的识别和检测.

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:

• 微塑料对环境构成重大风险,需要有效的检测方法.
• 准确识别土壤中的微塑料对于评估它们的分布和生态影响至关重要.
• 当前的高光谱图像分类方法通常依赖于监督学习,这需要大量的标记数据.

研究的目的:

• 开发一种先进的高光谱图像分类模型,用于在土壤中检测微塑料.
• 为了应对在土壤微塑料识别方面有限的标记培训数据的挑战.
• 增强特征提取能力,以提高微塑料检测精度.

主要方法:

• 提出了自我监督的等级扩展变压器网络 (SHDTNet).
• 利用自我监督的对比学习来克服培训样本不足的问题.
• 在对比学习框架内增强了特征提取模块.

主要成果:

• SHDTNet能够准确地识别土壤环境中的独特的微塑料.
• 该模型与现有的土壤微塑料检测方法相比,表现优越.
• 实验表明,在自建数据集中没有错误或错过的检测.

结论:

• SHDTNet提供了一种强大的解决方案,用于使用高光谱成像在土壤中检测微塑料.
• 自主监督学习有效地减轻了在这个领域需要大型标记数据集的需求.
• 拟议的模型显著提高了环境微塑料监测能力.