基于深度学习的自动垃圾场检测：轻量级与自定义架构在 AerialWaste 数据集上的比较研究
计算机视觉与模式识别
2025-08-27 v1 人工智能
摘要
非法垃圾场正作为严重威胁全球人民安全的隐形杀手。由于手动识别垃圾场位置困难，这些垃圾场往往不被当局注意，后续造成对人类和环境的危险伤害。深度学习在识别垃圾场、节省宝贵时间、人力和资源方面发挥着关键作用。尽管这一问题迫在眼睉，但由于安全顾虑，公开发布的用于非法垃圾场检测的高质量数据集稀缺。然而，AerialWaste 数据集包含意大利伦巴第地区 10434 张图像，来自 AGEA Orthophotos、WorldView-3 和 Google Earth 三个不同来源。数据集包含专业精选、多样且高质量的图像，特别适合大规模且具有影响力的研究。经过实验训练，我们发现复杂且计算密集的模型容易产生过拟合，记忆训练数据而非学习模式。因此，我们选择轻量且简单的模型以从数据集中利用通用特征。在本研究中，我们使用 Mobilenetv2、Googlenet、Densenet、MobileVit 等轻量深度学习模型进行训练和验证，它们在降低过拟合方面取得显著成功。由于这些模型在性能上取得显著提升，我们组合最佳模型，构建了一个集成模型。通过集成和融合技术，可在该数据集上实现 92.33% 的准确率、92.67% 的精确率、92.33% 的灵敏度、92.41% 的 F1 分数和 92.71% 的特异度。
引用
@article{arxiv.2508.18315,
title = {Automated Landfill Detection Using Deep Learning: A Comparative Study of Lightweight and Custom Architectures with the AerialWaste Dataset},
author = {Nowshin Sharmily and Rusab Sarmun and Muhammad E. H. Chowdhury and Mir Hamidul Hussain and Saad Bin Abul Kashem and Molla E Majid and Amith Khandakar},
journal= {arXiv preprint arXiv:2508.18315},
year = {2025}
}