基于双编码器对比学习与多聚类投票的无监督废弃物分类 (DECMCV)
计算机视觉与模式识别
2025-03-05 v1 机器学习
摘要
废弃物分类对于提高处理效率和减少环境污染至关重要。监督深度学习方法常用于自动化废弃物分类，但它们严重依赖大型标注数据集，获取成本高且效率低。真实世界的废弃物数据通常存在类别和风格偏差，如相机角度、光照条件和废弃物类型的变化，这可能影响模型的性能和泛化能力。因此，构建无偏差数据集至关重要。人工标注不仅成本高昂，而且效率低下。自监督学习虽有助于缓解数据稀缺问题，但仍需依赖部分标注数据，且准确率通常低于监督方法。无监督方法在某些情况下显示出潜力，但性能通常不及监督模型，这凸显了对高效且高性价比的无监督方法的需求。本研究提出了一种新颖的无监督方法：基于多聚类投票的双编码器对比学习。该方法使用预训练的 ConvNeXt 模型进行图像编码，利用 VisionTransformer 生成正样本，并应用多聚类投票机制来解决数据标注和领域偏移问题。实验结果表明，DECMCV 在 TrashNet 和华为云数据集上分别实现了 93.78% 和 98.29% 的分类准确率，优于或媲美监督模型。在包含 4,169 张废弃物图像的真实数据集上，仅需 50 个标注样本即可准确标注数千张图像，相比监督模型将分类准确率提升了 29.85%。该方法有效解决了风格差异，增强了模型泛化能力，并促进了自动化废弃物分类的发展。
引用
@article{arxiv.2503.02241,
title = {Unsupervised Waste Classification By Dual-Encoder Contrastive Learning and Multi-Clustering Voting (DECMCV)},
author = {Kui Huang and Mengke Song and Shuo Ba and Ling An and Huajie Liang and Huanxi Deng and Yang Liu and Zhenyu Zhang and Chichun Zhou},
journal= {arXiv preprint arXiv:2503.02241},
year = {2025}
}