클래스 내 다양성을 고려한 자기 지도학습 기반 폐기물 이미지 분류모델
Self-Supervised Waste Image Classification Model Considering Intra-Class Diversity
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 클래스 내 시각적 다양성과 복잡한 배경 때문에 일반화가 어려운 폐기물 이미지 분류 문제를 해결하기 위해, MAE(MaskedAutoEncoder)와 CL(Contrastive Learning)을 통합한 자기 지도 학습 모델 ReCLNet(Reconstructed patch Contrastive Learning Network)을 제안한다. 기존 결합 모델에서 발생하던 복원과 대조 학습 간 표현 간섭 문제를 해결하기 위해, ReCLNet은 복원된 패치를 대조 학습에 활용하고 가중치를공유하는 이중 인코더 구조를 통해 표현 정렬과 학습 일관성을 동시에 확보한다. 실험 결과, TMAC(Transformer-based MAE using Contrastivelearning), MAE, CL 및 지도 학습 기반 모델 대비 낮은 손실과 높은 분류 정확도를 기록하였으며, 클래스 내 다양성이 큰 환경에서도 견고하고일반화된 표현 학습이 가능함을 확인하였다. 향후 본 모델은 실제 폐기물 자동 분류 시스템뿐만 아니라, 복잡한 시각 정보를 요구하는 다양한응용 분야에 확장 가능할 것으로 기대된다.
Abstract
In this paper, we propose ReCLNet(Reconstructed patch Contrastive Learning Network), a self-supervised learning model that integratesMAE(Masked AutoEncoder) and CL(Contrastive Learning) to address the challenge of generalizing waste image classification, which is oftenhindered by high intra-class visual diversity and complex backgrounds. To resolve the issue of representation interference betweenreconstruction and contrastive learning observed in previous combined models, ReCLNet utilizes reconstructed patches for contrastivelearning and adopts a dual-encoder architecture with shared weights, thereby ensuring both representation alignment and trainingconsistency. Experimental results show that ReCLNet achieves lower loss and higher classification accuracy compared toTMAC(Transformer-based MAE using Contrastive learning), MAE, CL, and supervised learning-based models. Furthermore, it demonstratesrobust and generalized representation learning even in environments with high intra-class variability. These results suggest that ReCLNethas strong potential not only for real-world automated waste classification systems but also for a wide range of applications that requirethe understanding of complex visual information.