机构名称：
¥ 2.0
随着人们的物质生活水平继续提高，房屋的类型和数量 - 持有垃圾的类型和数量迅速增加。因此，迫切需要开发一种合理有效的垃圾分类方法。这对于资源回收和环境改进非常重要，并有助于生产和经济的可持续发展。但是，由于大量模型参数，现有的基于深度学习的垃圾图像分类模型通常会遭受低分类精度，鲁棒性不足和慢速检测速度的影响。为此，提出了一个新的垃圾图像分类模型，并以Resnet-50网络为核心架构。特别是，首先提出了一个冗余特征融合模块，使该模型能够充分利用有价值的功能信息，从而提高其性能。同时，该模块从多尺度功能中滤除了冗余信息，从而减少了模型参数的数量。第二，Resnet-50中的标准3×3卷积被替换为深度分离的卷积，从而显着提高了模式的计算效率，同时保留了原始卷积结构的特征提取能力。最后，为了解决阶级不平衡问题，加权因素被添加到焦点损失中，旨在减轻类不平衡对模型性能的负面影响并增强模型的鲁棒性。trashnet数据集的实验结果表明，所提出的模型有效地减少了大小的数量，提高检测速度并达到94.13％的准确性，超过了现有的基于深度学习的废物图像分类模型的绝大多数，表明其固定实用值。
增强垃圾分类的Resnet-50
主要关键词
相关文件推荐
