基于显著性检测和EfficientNet的垃圾分类算法研究

垃圾分拣的智能化和自动化对改善城市环境具有重要的意义,论文基于西安市2021垃圾分类数据集,提出了一种基于物体显著性检测和EfficientNet的垃圾分类算法。首先针对数据特点,采用U²-Net物体显著性检测模型获取物体语义显著区域,进而获取物体区域,去除复杂背景影响,然后结合数据增强及余弦调整策略,基于EfficientNet迁移学习构建垃圾分类模型。试验结果表明,该方法识别精度可达94.2%,可有效提升垃圾分类效率。     

基于深度学习的垃圾分类信息系统构建设计与实现

垃圾分类是社会进步和生态文明发展的标志,生活垃圾的简单堆放或填埋不仅严重破坏了生活秩序,还会造成巨大的经济损失及环境污染,影响了人们的正常生活。基于深度学习的垃圾分类信息系统,主要利用计算机视觉技术,实现居民生活垃圾的智能分类、分拣。为了提高识别准确率,系统选择了ResNet作为网络模型,同时使用Adam优化器也可以帮助系统降低对内存的需求。垃圾分类信息系统很大程度上解决了居民垃圾分类困难的问题,引导居民养成垃圾分类习惯。     

基于改进残差网络的心电信号识别分类算法研究

心电图(Electrocardiogram,ECG)心拍分类是心律失常诊断的重要步骤,为了准确检测心律失常类型,提出了一种利用改进的残差网络进行ECG分类的算法.首先使用CEEMDAN-改进小波阈值算法去除心电信号中的噪声,然后构建改进残差网络实现对ECG的分类,在该改进残差网络中,首先将传统深度残差网络中的卷积层、池化层替换成Inception模块,从而提取不同尺度的特征;然后设计了残差嵌套网络,实现了ECG信号不同层次的特征融合,最后采用Softmax分类器进行分类.将该模型在MIT-BIH数据库进行训练和验证,结果表明,所提出的网络模型具有较高的分类准确率.     

基于机器视觉的垃圾分类算法研究与应用

垃圾分类识别算法是目前研究的热点问题,本文通过引入色块追踪模块Lab颜色模型对YOLOv3算法进行优化,利用优化后的算法搭建训练模型。并针对目前垃圾类别利用网络爬虫爬取日常生活中常见的垃圾图像并进行分类,形成数据集。其次通过优化的YOLOv3算法对处理好的数据集进行模型训练,将训练后的模型进行模型检测。最后通过实际测试,优化后的YOLOv3算法识别的平均准确率达到了94.33%,与原始算法相比,优化后的算法在稳定性和准确度上都有了明显的改善。     

基于深度残差神经网络的博彩网页识别算法设计

互联网对人民群众的生活和工作产生了重要影响,然而网络空间中隐藏着大量有害的博彩网站或赌博网站,很容易给网民造成损失和困扰,甚至可能扰乱社会秩序,因而研究对此类网站进行高效识别的方法具有重要意义.提出利用深度残差神经网络解决博彩类网页识别问题,基于深度残差网络的原理设计了算法GamblingRec.经验证,算法准确率达到...     

自适应残差加权的多元素协同表示分类算法

提出了一种残差加权的多元素协同表示算法. 该算法针对SRC的单一鉴别性不足,对样本提出样本与字典的多元素分解并分别进行相应的协同表示,自适应地学习出多元素的残差权重并进行线性加权,从而提高分类的性能. 实验表明：自适应残差加权的多元素协同表示分类算法,能够有效提高识别性能.     

基于YOLOv3与ResNet50算法的智能垃圾分类系统

垃圾分类对于我们日常生活来说意义重大,它不仅体现的是环境问题,更是资源的节约和绿色的生活方式,更加代表和体现了社会的文明水平,我国各地近些年也相继推行了垃圾分类的政策.2020年,新冠疫情席卷全球,对我们的日常生活造成了非常大的冲击,病毒与细菌的感染不只是通过呼吸,而且可以通过间接的接触来传染,这就要求了我们在生活中应该尽量避免去接触公共的设施和物品,而垃圾回收点恰恰是人员来往较多,很容易造成接触感染.对此,设计了一种疫情之下的垃圾智能分类与识别系统.设计的总体思想是采用Arm公司的EAIDK-310开发板,同时配备罗技C270摄像头采集装置对实际生活中的常见垃圾进行识别与分类,然后通过摄像头采集装置采集到垃圾的图像,结合深度学习模型自动检测、识别垃圾的类别,从而可以根据类别直接进行垃圾的分类丢弃.模型是基于YOLOv3在复杂环境下垃圾检测的基础上完成,构建ResNet50网络,对垃圾的类别进行训练并识别.通过该智能垃圾分类系统,可以提高投放垃圾效率,大大减少人员在垃圾站附近的聚集并做到无接触的垃圾丢弃,从而能够有效避免因为接触而造成的交叉感染的风险,符合当下疫情期间的社会需求.     

基于多分类和ResNet的不良图片识别框架

针对实际应用中色情图片的复杂多样性问题,提出一种基于多分类和深度残差网络（ResNet）的不良图片识别框架.不同于已有的方法将色情图片识别作为二分类问题,该方法基于多样性特征将色情图片分为7个更细粒度的类别,并将正常图片分为是否包含人物2个类别,通过50层ResNet模型进行分类,再按照阈值计算是否属于不良图片.为了减少训练时间和挖掘优质特征,采用一种反馈修正的训练策略.提出一种单边滑动窗口的预处理方法以解决图片不同尺度的影响问题.测试结果表明,该方法在时间效率和识别准确率上效果良好.     

基于残差双注意力与跨级特征融合模块的静态手势识别

为解决卷积神经网络提取特征遗漏、手势多特征提取不充分问题,本文提出基于残差双注意力与跨级特征融合模块的静态手势识别方法.设计了一种残差双注意力模块,该模块对ResNet50网络提取的低层特征进行增强,能够有效学习关键信息并更新权重,提高对高层特征的注意力,然后由跨级特征融合模块对不同阶段的高低层特征进行融合,丰富高级特征图中不同层级之间的语义和位置信息,最后使用全连接层的Softmax分类器对手势图像进行分类识别.本文在ASL美国手语数据集上进行实验,平均准确率为99.68%,相比基础ResNet50网络准确率提升2.52%.结果验证本文方法能充分提取与复用手势特征,有效提高手势图像的识别精度.     

基于深度学习的算法模型在垃圾分类中的应用研究

近年来,城市一体化发展水平提高,垃圾问题对于全世界都是一个非常棘手的问题。基于垃圾分类算法进行了研究,旨在提高垃圾分类的准确性和效率,提出了一种基于深度学习的垃圾分类算法,利用卷积神经网络和支持向量机进行图像特征提取和分类,采用迁移学习的方法建立了一种在已有的数据集基础上进行模型训练和优化,从而制作出一个垃圾分类应用的分析平台。     

一种基于分形特征的图片分类算法

图片分类可用作图像搜索引擎的预滤波,以降低图像检索时的图像匹配数量,提高检索速度。本文提出了一种基于分形特征———局部分维数变化率(LFDS)的图片分类算法,该算法不需要任何的图像先验知识,仅利用分形特征就可将自然景物的照片和人工绘制/计算机生成的图形区分出来。系统随机测试了445幅大小从192×128到2012×3094不等的图片,该算法对图形库的分类准确率为91·71%,图像库分类准确率为85·25%,实验结果证明了该算法的快速和有效性。     

图片分类特征增强的统计方法

Bag-of-Words模型对于图片分类来说是一种非常有用的技术,它利用事先定义好的“可见字”为每张图片建立一个特征向量。提出了一种新的统计方法来发掘可见字对于每一类图片的区分能力,再利用线性模型合并“可见字”,从而为每张图片构造新的特征向量。实验结果显示这一算法能够增强特征向量的区分度,进而提高图片分类的性能。     

基于残差的优化卷积神经网络服装分类算法

针对目前服装分类算法在解决多类别服装分类问题时分类精度一般的问题,提出了一种基于残差的优化卷积神经网络服装分类算法,在网络中使用了如下三种优化方法:(1)调整批量归一化层、激活函数层与卷积层在网络中的排列顺序;(2)"池化层+卷积层"的并行池化结构;(3)使用全局均值池化层替换全连接层。经过由香港中文大学多媒体实验室提供的多类别大型服装数据集(DeepFashion)和标准数据集CIFAR-10上的实验表明,所提出的网络模型在处理图片的速度和分类精度方面都优于VGGNet和AlexNet,且得到了目前为止已知的在DeepFashion数据集上最好的分类准确率。该网络也可以更好地应用于目标检测和图像分割领域。     

基于残差模型改进的带钢缺陷分类网络

为了进一步提高带钢缺陷图像分类的准确性,文章基于ResNet18进行了改进,得到了一种新的网络结构,并命名为FusionNet。在FusionNet模型上添加卷积块注意力模块（Convolutional Block Attention Module,CBAM）后,验证集的准确性达到了99.50%,较基于ResNet18网络的CBAM模块及DenseNet121算法,准确率分别提高了0.94个百分点和1.51个百分点。设计的实验证明了改进后的网络具有一定的实用价值。     

基于卷积神经网络的垃圾图像分类算法

垃圾分类作为资源回收利用的重要环节之一,可以有效地提高资源回收利用效率,进一步减轻环境污染带来的危害.随着现代工业逐步智能化,传统的图像分类算法已经不能满足垃圾分拣设备的要求.本文提出一种基于卷积神经网络的垃圾图像分类模型(Garbage Classification Network, GCNet).通过构建注意力机制,模型完成局部和全局的特征提取,能够获取到更加完善、有效的特征信息;同时,通过特征融合机制,将不同层级、尺寸的特征进行融合,更加有效地利用特征,避免梯度消失现象.实验结果证明, GCNet在相关垃圾分类数据集上取得了优异的结果,能够有效地提高垃圾识别精度.     

基于深度学习的生活垃圾分类

该文研究了将深度学习应用于垃圾分类,使用模型为微调后的ResNet50预训练模型,数据来源于华为开源垃圾数据集.通过对原始数据的标注、划分和增广得到该文所使用的数据集.增广方式包括几何变换、明亮度更改和添加噪声.经测试验证,本项目在测试集上的准确率能够达到87％,同时在实际场景中也有较好的泛化性.最后通过Flask、G...     

基于深度学习的垃圾分类方法综述

垃圾分类是保护生态环境、促进经济发展的有效措施,利用深度学习进行垃圾分类已成为当前学术界和工业界的研究热点。传统垃圾分类主要由人工进行分拣和分类,存在劳动强度大、分选效率低、工作环境差等缺点,急需智能化、自动化的分类方法来替代。近年来研究人员已经开始初步探索利用深度学习技术进行垃圾分类并提出一些有效的方法。从方法、数据集和研究方向等方面分析深度学习垃圾分类方法的研究现状,介绍不同深度学习模型在垃圾分类中的应用和发展,研究基于ResNet方法、基于DenseNet方法、基于单阶段目标检测方法和基于卷积神经网络与迁移学习相结合方法等多种典型方法的性能和特点并对比其优缺点,对现有的垃圾分类公开数据集进行概述与总结。在此基础上,分析深度学习在垃圾分类领域面临的挑战,并对其发展趋势及未来的研究方向进行展望。     

基于局部空间信息表征融合和信息深度残差提取的点云分类分割算法

点云作为一种能提供丰富空间信息与物体几何特征的数据表达形式,在自动驾驶和机器人等领域有着广泛的应用前景。点云数据具有无序性的特点,早期研究者利用深度学习工具完成点云的分类分割任务时,一般采用结构化表示方法(如将点云转换成体素,多视图),但这些方法会导致部分三维空间信息损失和预处理计算量大等问题。PointNet创新性地使用共享的MLP(多层感知机)处理每个点云的向量,有效地解决了点云的无序性问题。PointNet的扩展版本PointNet++利用Encode-Decode结构进行局部特征提取。整体采用Encode-Decode结构,提出了PointRFE神经网络模型。其中,设计了能够对局部进行更充分表征的局部信息表征融合(Local Information Representing and Fusing, LIRF)模块,该模块融合了局部采样点特征,局部点云仿射变换特征和局部空间几何结构信息特征;设计了信息深度残差提取(Information Deep Residual Extractor, IDRE)模块,该模块通过带有瓶颈残差结构的共享MLP(多层感知机)对LIRF模块输出的融合特...