Sentinel-2 在海岸地区大规模检测海洋垃圾
本研究旨在使用光学遥感与机器学习算法，研究海洋塑料污染的光谱行为，并评价辐射传输模型在此研究领域中的适用性。结果表明，污染物的光谱行为受到聚合物类型和像素覆盖百分比等因素的影响。这些发现可以指导未来在遥感应用中检测海洋塑料污染的研究。
Jun, 2023
本文对使用深度神经网络（DNN）进行海洋垃圾检测的问题及相关问题（如图像分类、匹配和检测建议）进行了全面评估，研究结果表明，对于评估任务，DNN 是一种优越的技术，尤其是在匹配和检测建议任务方面具有很大的优势，这对于实践者是有价值的信息。
May, 2019
在本文中，我们通过计算成像方法分析了在河流情景下利用大气塑料垃圾的宏观可视 - 短波红外高光谱成像进行监测的可行性；我们的实验表明，结合机器学习分类方法和高光谱数据以及非线性分类器，可以在具有挑战性的情景中实现高精度的检测。
Jul, 2023
20 年来，深度学习技术一直在海洋垃圾问题中得到探索，并且在过去的 5 年中取得了快速发展。该研究提供了 28 项最近和最重要的关于深度学习在海洋垃圾识别中的贡献的全面、最新的总结和分析。交叉引用研究结果表明，YOLO 系列方法在目标检测方面明显优于其他方法，但是有很多受认可的贡献明确表示目前没有可用于机器学习的全面的水下垃圾数据库。我们使用我们自己策划和标记的小型数据集，在二元分类任务上测试了 YOLOv5，发现准确率较低，假阳性率较高，凸显了建立全面数据库的重要性。最后，我们提出了 40 多项未来研究建议和开放性挑战。
Mar, 2024
本文提出了一个基于深度学习的高效检测方法和包含多种水下环境的标注数据集，以更精确地定位、分类和移除水下废弃物及海底垃圾，并解决由于光线折射、颜色失真等因素带来的诸多挑战。
May, 2023
利用航拍图像和计算机视觉技术，本研究介绍了一种远程垃圾调查框架，通过 Grounding DINO 和 CLIP 实现零样本的垃圾检测和分类，并使用 Scale-Invariant Feature Transform 进行重复匹配，旨在支持高效可持续的社区清洁项目。
May, 2024
这篇论文介绍了通过使用深度学习技术和车载摄像头拍摄的街道图像来对垃圾和垃圾桶进行识别和定位的方法，同时提供了一个名为 “pLitterStreet” 的开源数据集，该数据集包含超过 13,000 张完全标注的图片，可用于检测和映射城市中的塑料垃圾。
Jan, 2024
通过综合评估现有数据集和先进技术的体系结构，本文旨在为水下废物和垃圾检测建立基线，从而为先进的水下传感器和自主水下车辆提供目标定位技术的基准，最终实现水下环境的探测、废物识别和清除。
May, 2024
通过结合 YOLOv7 的实例分割和不同的注意机制，本研究在卫星图像中探讨了寻找海洋垃圾的最佳模型，并发现 CBAM 在探测海洋垃圾方面具有最佳适用性。
Jul, 2023