增强的ResNet-50用于垃圾分类:特征融合和深度可分离的卷积
Lingbo Li1, Runpu Wang2, Miaojie Zou3
1Library of Information Center, Zhejiang Technical Institute of Economics, Hangzhou, China.
PloS one
|January 27, 2025
概括
一个新的深度学习模型通过优化ResNet-50以功能融合和深度可分离卷积来提高垃圾图像分类的准确性和速度. 这种方法解决了阶级不平衡,为有效的废物管理和回收提供了强有力的解决方案.
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:
- 生活水平的提高导致家庭垃圾产生的快速增加.
- 有效的垃圾分类对于资源回收,环境保护和可持续发展至关重要.
- 现有的废物图像分类的深度学习模型面临着由于高参数数量的准确性,稳定性和速度的挑战.
研究的目的:
- 开发一个改进的深度学习模型,用于准确高效的垃圾图像分类.
- 通过解决参数计数,计算效率和类失衡等问题来提高模型性能.
主要方法:
- 基于ResNet-50架构提出了一个新的垃圾图像分类模型.
- 引入了一种冗余加权的功能融合模块,以利用有价值的功能并减少参数.
- 在ResNet-50中用深度可分离的卷曲取代标准卷曲,以提高计算效率.
- 在焦点损失中加入一个加权因子,以减轻阶级不平衡问题.
主要成果:
- 拟议的模型在TrashNet数据集上实现了94.13%的分类准确性.
- 与现有模型相比,显示了模型参数的显著减少和检测速度的改善.
- 有效地处理类不平衡,提高整体模型的稳定性.
结论:
- 开发的模型为废物图像分类提供了实用和有效的解决方案.
- 这些优化显著改善了现有的垃圾分类深度学习方法.
- 该模型显示出在废物管理和回收计划中对现实世界的应用有很大的潜力.
