鲁棒且标签高效的深度废物检测
计算机视觉与模式识别
2025-09-09 v2
摘要
有效的废物分类对于可持续回收至关重要，然而由于数据集有限和对传统目标检测器的依赖，该领域的人工智能研究仍落后于商业系统。在这项工作中，我们通过建立强大的基线并引入一个基于集成的半监督学习框架来推进人工智能驱动的废物检测。我们首先在真实世界的 ZeroWaste 数据集上对最先进的开放词汇目标检测（OVOD）模型进行基准测试，结果表明，虽然仅使用类别提示效果不佳，但经过 LLM 优化的提示能显著提高零样本准确率。接下来，为了解决特定领域的局限性，我们微调了基于现代 Transformer 的检测器，达到了 51.6 mAP 的新基线。然后，我们提出了一种软伪标签策略，该策略利用空间和共识感知加权来融合集成预测，从而实现鲁棒的半监督训练。应用于未标注的 ZeroWaste-s 子集时，我们的伪标注取得了超越全监督训练的性能增益，突显了可扩展标注流程的有效性。我们的工作通过建立严格的基线、引入鲁棒的基于集成的伪标注流程、为未标注的 ZeroWaste-s 子集生成高质量标注，以及在真实世界废物分类条件下系统评估 OVOD 模型，为研究社区做出了贡献。我们的代码可在以下链接获取：https://github.com/h-abid97/robust-waste-detection。
引用
@article{arxiv.2508.18799,
title = {Robust and Label-Efficient Deep Waste Detection},
author = {Hassan Abid and Khan Muhammad and Muhammad Haris Khan},
journal= {arXiv preprint arXiv:2508.18799},
year = {2025}
}
备注
Accepted at BMVC 2025