神经可塑性模块框架：垃圾与工业表面图像的跨域分类
计算机视觉与模式识别
2025-10-07 v1
摘要
高效准确的垃圾和工业表面缺陷分类对于确保可持续废物管理和维持质量控制的高标准至关重要。本文引入了神经可塑性分类器，这是一种 novel 的混合架构，旨在实现动态环境中稳健且自适应的图像分类。该模型将 ResNet-50 主干用于局部特征提取，同时采用 Vision Transformer (ViT) 捕获全局语义上下文。此外，融合了基于 FAISS 的相似性检索，提供类似记忆的参考，以之前遇到的数据为特征空间增添内容。我们架构的关键创新是由可扩展、可学习模块组成的神经可塑性模块设计，这些模块在训练期间当性能停滞时会动态增长。灵感来自生物学习系统，这一机制使模型能够随着数据复杂度的变化而进行适应，提高泛化能力。除了垃圾分类，我们在 Kolektor Surface Defect Dataset 2 (KolektorSDD2) 上验证了该模型，该数据集涉及金属表面缺陷的工业缺陷检测。跨域的实验结果表明，所提出的架构在准确率和适应性方面均优于传统静态模型。神经可塑性分类器为实际的图像分类提供了可扩展的高性能解决方案，在环境和工业领域都具有强大的适用性。
引用
@article{arxiv.2510.05071,
title = {Neuroplastic Modular Framework: Cross-Domain Image Classification of Garbage and Industrial Surfaces},
author = {Debojyoti Ghosh and Soumya K Ghosh and Adrijit Goswami},
journal= {arXiv preprint arXiv:2510.05071},
year = {2025}
}