基于主动检索与测试时微调的大规模视觉基础模型电子废物分割方法

《Scientific Reports》：Test-time fine-tuning of large-scale vision foundation models for data-efficient electronic waste segmentation

　　电子废物（e-waste）回收对于资源保护和环境可持续性至关重要。人工智能（AI）领域的最新进展，特别是深度学习，在推动废物识别与回收方面展现出巨大潜力。然而，由于图像内容异质、杂乱且标注数据有限，基于深度学习的电子废物识别仍面临挑战。模型适配进一步受到高计算成本和漫长适配时间的制约。大规模视觉基础模型（LVMs）在跨视觉领域具备强大的泛化能力，但其在电子废物成像中的直接应用仍受限于细粒度分割需求。在此，我们提出了一种基于深度学习的分割方法，将测试时微调与LVMs相结合，以实现电子废物的自动化识别。所提出的方法在推理阶段利用小型、多样且上下文相关的支持集对LVMs进行适配，无需进行离线领域特定微调。为构建该支持集，我们引入了“主动检索”机制，该机制将基于余弦相似度的预选与信息量采集函数相结合，以识别查询特定的、非冗余的支持图像。在精选的电子废物数据集上进行评估，该方法与参数高效微调相比，将端到端处理时间缩短了约六倍，同时在较少领域特定数据条件下保持了可靠的分割精度。这种可扩展的方法支持AI在电子废物管理和资源回收提升中的实际部署。