Swin Transformer框架用于漂浮海洋垃圾检测，分类准确率达98.5%

Yahia Hamdi、Mohamed Fnadi、Wenqian Du等提出一种基于Swin Transformer的深度学习框架，用于检测和分类河流、海岸线及港口等漂浮垃圾聚集区的水面垃圾。研究对Swin-T进行贝叶斯优化与微调，并与ResNet-50、InceptionV3、VGG-19及ViT对比；所用数据集由公开数据与多水文、光照条件下新采集的RGB图像扩充而成。论文称，优化后的Swin-T分类准确率达98.5%，检测mAP为52.3%，优于基线Transformer和传统CNN。作者称，系统性超参数优化可显著提升Transformer模型用于海洋垃圾监测的性能。