Sparsifying Instance Segmentation Models for Efficient Vision-Based Industrial Recycling

Melanie Neubauer

doi:10.1007/978-3-032-06129-4_2

Sparsifying Instance Segmentation Models for Efficient Vision-Based Industrial Recycling

2026-01-01

0

PRE

AI

DOI：10.1007/978-3-032-06129-4_2

原文链接

原文求助

摘要

En 中文

循环经济中，回收利用至关重要。然而，高效的材料分拣，尤其是在废钢回收中，由于材料多样性和污染问题，仍然具有挑战性。基于深度学习的视觉计算为自动化提供了巨大潜力，其中YOLO和Mask R-CNN等模型在目标检测和分割方面表现优异。然而，高计算需求往往限制了工业部署，这需要针对此类应用机器学习问题开发更高效的算法解决方案。我们提出了一种基于实例重要性评分（IBIS）的新型方法，用于修剪大型图像分割模型，该方案专门针对废钢自动回收中的实例分割问题。我们的方法通过利用参数重要性评分来识别并修剪低优先级参数，该评分通过考虑帧中待分割的可回收实例的存在进行估算。此外，我们利用了一个专为废铜和废钢回收过程中的实例分割任务构建的新型定制数据集，该数据集包含不同尺寸和难度级别的可回收物体。我们的评估结果表明，在性能无明显下降的情况下，计算效率得到显著提升，同时还能实现强大的跨分布泛化能力，这是一项颠覆性功能。最后，我们讨论了本工作在现实工业应用中的潜力，能够在大规模自动化分拣系统中实现资源高效的深度学习部署。

Keyword:

instance segmentation

steel scrap recycling

neural network pruning

sparsity

out-of-distribution generalization

Sparsifying Instance Segmentation Models for Efficient Vision-Based Industrial Recycling

摘要

期刊

机构