HybridSOMSpikeNet：一种集成可微软自组织地图与脉冲动力学的深度模型用于废物分类
计算机视觉与模式识别
2025-10-24 v1
摘要
精准的废物分类对于实现可持续的废物管理和减少城市化的环境足迹至关重要。误分类的可回收物质会导致垃圾填埋场的堆积、回收效率低下以及温室气体排放的增加。为此，本研究提出了HybridSOMSpikeNet，这是一个融合卷积特征提取、可微软自组织地图与脉冲动力学的混合深度学习框架，旨在实现智能且高效的废物分类。该模型采用预训练的ResNet-152主干网络提取深层空间表征，随后引入可微软自组织地图(Soft-SOM)，以增强拓扑聚类和可解释性。脉冲神经网络头部在离散时间步长上累积时间激活，提高了鲁棒性和泛化能力。在十类废物数据集上进行训练训练，HybridSOMSpikeNet实现了97.39%的测试准确率，优于多个最先进的架构，同时保持轻量级的计算配置，适用于实际部署。除了技术创新之外，该框架还为环境带来了实际的益处。通过实现精准的自动化废物分离，支持更高的回收效率，减少可回收物质流中的污染，并最小化废物处理的生态与运营成本。该方法与全球可持续发展目标（SDG 11和SDG 12），尤其是促进更清洁的城市、循环经济倡议以及智能环境管理系统，保持一致。
引用
@article{arxiv.2510.20669,
title = {HybridSOMSpikeNet: A Deep Model with Differentiable Soft Self-Organizing Maps and Spiking Dynamics for Waste Classification},
author = {Debojyoti Ghosh and Adrijit Goswami},
journal= {arXiv preprint arXiv:2510.20669},
year = {2025}
}