通过基于道和空间关注的多块卷积网络提高废物分类的准确性
Jithina Jose1, Suja Cherukullapurath Mana2, Keerthi Samhitha Babu3
1School of Computer Engineering, MIT Academy of Engineering, 412105, Alandi, Pune, Maharashtra, India.
Environmental monitoring and assessment
|January 25, 2025
概括
这项研究引入了用于城市废物分类的新深度学习模型,达到98.73%的准确性. 基于道和空间注意力的多块卷积网络提高了回收和废物管理的效率.
科学领域:
- 计算机科学 计算机科学
- 环境科学 环境科学
- 人工智能的人工智能
背景情况:
- 有效的城市废物分类对于回收和废物管理至关重要.
- 当前的方法与计算复杂性,时间消耗和浪费的视觉变化性作斗争.
研究的目的:
- 为准确的城市废物分类提出一种新的基于道和空间注意力的多块卷积网络.
- 用注意力机制来增强特征学习和分类准确性.
主要方法:
- 利用数据增强来增加图像数据集大小和多样性.
- 应用数据预处理,包括规范化,大小调整和图像补丁.
- 采用基于频道和空间注意力的多块卷积网络来进行特征提取和废物分类.
主要成果:
- 在城市废物图像分类中达到98.73%的高精度.
- 报告了低平均绝对误差为0.048和根平均平方误差为0.087.
- 与现有的废物分类策略相比,表现出优越的性能.
结论:
- 拟议的网络为城市废物分类提供了更准确,更可靠的解决方案.
- 该框架非常适合废物管理中的实时应用.
- 注意力机制有效地增强了特征学习,以改善分类.


