AGMG-Net:利用多尺度和细粒度特征来改进货物的识别

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 安全系统需要高精度的货物识别,以防止经济损失.
• 目前的货物识别方法在有限的数据,功能利用和微妙的类别差异方面扎,阻碍了准确性.
• 实现99.99%的识别精度仍然是货物识别模块的一个重大挑战.

研究的目的:

• 开发一个先进的模型来准确识别货物.
• 通过改进特征提取和融合来解决现有方法的局限性.
• 通过精确的货物识别来提高安全系统的可靠性和有效性.

主要方法:

• 使用工业摄像头创建了一个新的货物识别数据集"货物".
• 提出了一个以注意引导的多颗粒度特征融合模型 (AGMG-Net).
• AGMG-Net采用两个分支网络用于粗粒和细粒特征提取,通过Concat方式合.
• 引入了以注意为指导的多阶段注意力积累 (AMAA) 和基于信心的多区域最佳选择 (MOSBC) 模块,用于本地化和裁剪.

主要成果:

• AGMG-Net模型的识别率很高:在"货物"数据集上达到99.58%,在"花"数据集上达到92.73%,在"蝶20"数据集上达到88.57%.
• 拟议的模型在货物识别准确性方面超过了最先进的方法.
• 实验结果证明了该模型在准确识别各种货物类别方面的有效性.

结论:

• 开发的AGMG-Net模型显著提高了货物识别的准确性.
• 这项研究为增强安全系统能力提供了有价值的解决方案.
• 拟议的方法提供了准确的货物分类,有助于提高安全性和减少经济损害.