利用特权信息学习：垃圾检测方法

随着全球垃圾污染的持续增加，开发能够有效检测垃圾的自动化工具仍然是一个重要挑战。本研究提出了一种新方法，首次将特权信息与深度学习目标检测相结合，以提高垃圾检测效果，同时保持模型的高效性。我们在五种广泛使用的目标检测模型上评估了该方法，解决了检测小型垃圾以及被草或石头遮挡的物体等挑战问题。除了此之外，我们工作的关键贡献之一可以归因于对边界框信息进行二进制掩码编码的形式，这些掩码可以输入检测模型以细化检测指导。通过在著名的 SODA 数据集上的内部数据集评估以及在 BDW 和 UAVVaste 垃圾检测数据集上的跨数据集评估，我们展示了在所有模型上都实现了一致的性能提升。我们的做法不仅在训练集内增强了检测准确度，也能良好地推广到其他垃圾检测情境。关键是，这些改进是在不增加模型复杂度或添加额外图层的情况下实现的，确保了计算效率和可扩展性。我们的结果表明，这一方法为垃圾检测提供了一种实用的解决方案，在实际应用中平衡了准确性和效率。