10.3969/j.issn.1673-629X.2023.03.008
融合注意力的轻量型垃圾分类研究
针对轻量化网络在图像分类任务中无法直接部署在小型计算机,如:树莓派开发板,且存在检测速度慢、对硬件资源要求较高的问题,提出了一种基于ShuffleNet的改进算法.首先,将传统卷积替换为最大公约数分组卷积,以减少网络所需的参数量和计算量,降低网络对于硬件算计资源的需求;其次,通过引入SE模块,融合通道注意力信息,提升网络在分类任务的检测精度;最后,针对多级分类的垃圾分类问题,分别连接不同节点数量的全连接层以及对标准类别和细分类别分别引入不同的损失和准确率权重,提升网络在多级垃圾分类任务的能力.将改进的ShuffleNet网络和ShuffleNet网络中具有不同网络层数的版本,进行准确率和速率方面的对比.实验结果表明,改进后的网络在基本的分类任务准确率达到80%以上,且其中的0.5版本能够直接部署在树莓派开发板,平均单张图像处理时间1.28 s,降低了网络对于硬件资源的需求.
卷积神经网络、垃圾分类、轻量化、特征融合、迁移学习
33
TP391(计算技术、计算机技术)
山西省自然科学基金资助项目201801D121133
2023-05-06(万方平台首次上网日期,不代表论文的发表时间)
共8页
49-56