《Journal of Hazardous Materials》：Semantic-Guided Adaptive Dual-Stream Inference for Marine Floating Litter Detection
编辑推荐：
•语义引导双流推理选择性地精炼不确定的局部区域。•SAGA和SSCF抑制切片边界伪影与海洋伪目标。•局部补丁处理量相比穷尽切片减少73.5%。•GL-DSI在面积小于256 px2的目标上实现93.4%的F1值及11.0个百分点的召回率提升。•Jetson Orin Nano
- •
语义引导双流推理选择性地精炼不确定的局部区域。
- •
SAGA和SSCF抑制切片边界伪影与海洋伪目标。
- •
局部补丁处理量相比穷尽切片减少73.5%。
- •
GL-DSI在面积小于256 px2的目标上实现93.4%的F1值及11.0个百分点的召回率提升。
- •
Jetson Orin Nano测试量化了延迟、功耗、内存与能耗之间的权衡。
引言
海洋塑料污染已成为一个持续的环境挑战，漂浮碎片广泛分布于沿海水域及更广阔的海洋环流系统中[1]。其中很大一部分污染由碎片化和风化材料构成，其有限的视觉表征、不规则形态和高移动性使得可靠观测变得复杂[1]、[2]、[3]。准确检测此类碎片对于污染评估、输运分析和清理规划至关重要。基于图像的海洋与水面监测已在卫星、空中及近表面传感环境中得到探索[4]、[5]、[6]、[7]、[8]、[9]、[10]、[11]。与大规模遥感相比，近表面平台能够更直接地获取复杂沿海环境中漂浮垃圾的视觉观测。
尽管具有这种潜力，海洋漂浮垃圾在边缘平台上的检测仍然困难，原因在于物体尺度与计算预算之间存在矛盾。在实际部署场景中，检测器被期望在资源受限的车载硬件上运行，同时保持对小型目标的足够敏感性。然而，大多数轻量级检测器依赖于固定分辨率输入和激进的降采样，这往往会抑制识别碎片化垃圾所需的细粒度视觉线索。在海洋场景中，这一问题因杂乱的背景、镜面反射、海泡和浪峰而被进一步加剧，所有这些因素都可能遮挡真实目标或导致假检测。因此，面向海洋的模型仍然面临在小型目标敏感性、复杂背景鲁棒性与实时推理性能之间取得困难平衡的挑战[12]、[13]。
一个直接的解决方案是增加输入分辨率或采用切片推理。高分辨率处理可以保留小型目标的细粒度视觉细节[14]、[15]、[16]、[17]、[18]，而如辅助超推理切片（SAHI）及其任务特定变体等切片方法，通过处理局部补丁来改善其可检测性[19]、[20]、[21]。然而，直接高分辨率推理显著增加了内存和延迟成本，而盲目切片则穷尽处理空白水域区域，引入冗余[17]、[19]、[20]、[21]，并可能放大阳光反射、泡沫及波纹纹理等海洋光学干扰[22]、[23]。这些局限性使得传统的分辨率增强策略不适合实时边缘监测。
轻量级YOLO架构已被广泛应用于资源受限平台上的实时检测，包括海洋垃圾监测[12]、[24]、[25]、[26]、[27]。近期方法通过分辨率保持架构、多尺度特征融合、上下文感知表征及层次建模来改善小型目标的表征能力[14]、[16]、[28]，但仍受车载内存与延迟预算的限制。
为解决这一权衡，我们提出了全局-局部双流推理（GL-DSI）框架，用于实现计算高效的海洋漂浮垃圾检测。GL-DSI采用语义引导双流（SGDS）机制，其中低分辨率全局流识别可疑区域并选择性地触发高分辨率局部处理。尺寸感知高斯衰减（SAGA）模块抑制补丁边界伪影，尺度-语义一致性滤波器（SSCF）抑制环境诱导的伪目标。在自定义海洋漂浮垃圾数据集上的实验结果表明，GL-DSI实现了较高的精度，同时在所评估的推理设置中提供了有利的精度-计算量权衡，有助于小型海洋碎片的监测。
在本研究中，"微尺度"和"纳米尺度"目标等尺度描述符严格指投影到2D图像平面上的边界框面积，而非物理颗粒尺寸。例如，在我们数据集的分类标准下，纳米尺度目标所占面积低于64 px2，这一定义与环境化学中常用的物理尺寸定义不同——后者通常指直径小于5 毫米的颗粒。相应地，我们的目标是在图像空间中恢复视觉退化的漂浮垃圾，而非推断物理颗粒的尺寸或质量。
章节摘要
GL-DSI框架与数据集概述
提出的GL-DSI框架（如图1所示）旨在以高计算效率检测跨极端尺度范围的漂浮垃圾。低分辨率全局流建立场景级上下文，而高分辨率局部流捕获细粒度细节；两条流共享统一的编码器，以减少参数冗余和内存成本。
低置信度的全局预测作为SGDS的结构先验，选择性地触发……
实验配置与评估指标
检测器模型在配备单块NVIDIA RTX 5060 GPU（8GB显存）的桌面平台上使用PyTorch 2.8.0、CUDA 12.9和Ultralytics 8.4.36进行训练。训练采用随机梯度下降优化器，初始学习率为0.01，动量为0.937，权重衰减为0.0005。每个检测器均使用其对应YOLO实现的标准损失函数进行训练。由于GL-DSI修改的是推理过程而非检测器……
可解释性与跨架构适用性
为了更好地理解本框架的内部特征表征并检验其在不同检测器代际间的适用性，我们可视化了YOLOv8s和YOLOv11s的多尺度类激活图。如图10所示的例子中，标准推理在小型目标周围产生的激活相对较弱且弥散，包括海洋背景下的塑料瓶和碎片。通过选择性高分辨率局部精炼，GL-DSI产生了更……
结论
针对资源受限边缘平台上海洋漂浮垃圾检测所固有的严重尺度-计算矛盾，本研究提出了GL-DSI框架，将范式从穷尽的盲目切片转变为语义引导的自适应提取，在测试集上实现了相较穷尽切片平均73.5%的局部补丁处理量减少。通过结构上解耦场景级上下文与细粒度视觉细节，GL-DSI利用低分辨率……
环境意义
准确检测高度风化和碎片化的漂浮塑料仍然具有挑战性，因为其有限的投影图像足迹和复杂的海洋背景往往导致基于图像的监测中出现系统性的视觉遗漏。在本研究中，我们开发了一种资源感知的边缘AI框架，通过结合语义引导的局部精炼与自适应噪声抑制来改善视觉碎片化漂浮垃圾的恢复能力。通过实现更完整的基于图像的……
CRediT作者贡献声明
Junsen Zeng：撰写初稿、可视化、软件、方法论、概念化。Xu Xiang-Rong：审阅与编辑、监督、资源、获取资金。Kefu Yu：监督、项目管理。Shuowen Huang：审阅与编辑。Qianyi Huang：资源、调查。Zirui Zhao：可视化、验证、调查、数据整理。Honglei Jiang：审阅与编辑、形式分析。
利益冲突声明
作者声明不存在可能影响本文所报告工作的已知财务利益冲突或个人关系。
致谢
本工作得到广西重点研发计划项目（编号AB25069113 & 2025FN9619929）、广西科技计划（编号AD25069075）及海南省科技专项资金（编号ZDYF2022SHFZ317）的支持。
意义声明
在现实海洋条件下准确量化漂浮塑料对于评估其物理化学归宿与生态风险至关重要。在边缘视觉监测的语境下，尺度描述符严格指极端的……
Junsen Zeng | Zirui Zhao | Honglei Jiang | Shuowen Huang | Qianyi Huang | Xiangrong Xu | Kefu Yu
