检索结果-南通市图书馆

检索条件"主题词=非局部注意"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于深度学习的移动端垃圾分类模型的优化研究

基于深度学习的移动端垃圾分类模型的优化研究

引用

作者：程杨东北石油大学

学位级别：硕士

随着城市化进程的加快和人口的增长,垃圾产生量激增,垃圾问题已成为重要的环境问题。垃圾分类是垃圾处理的重要环节,可以有效减少垃圾对环境的污染,提高资源利用率。近年来,计算机视觉领域的不断发展,利用深度学习视觉模型进行自动化垃... 详细信息

随着城市化进程的加快和人口的增长,垃圾产生量激增,垃圾问题已成为重要的环境问题。垃圾分类是垃圾处理的重要环节,可以有效减少垃圾对环境的污染,提高资源利用率。近年来,计算机视觉领域的不断发展,利用深度学习视觉模型进行自动化垃圾分类已经成为了一种趋势。然而实际场景下的垃圾识别任务中,存在类别易混淆、背景干扰以及用于训练的垃圾图像数据不足等问题,会导致垃圾分类模型的精度偏低。为应对上述挑战,针对移动端垃圾分类任务,提出了对应的模型提升策略。具体研究内容包括:(1)建立了包含160种生活垃圾的数据集g-160 dataset。通过对经典垃圾分类竞赛数据集进行类别统一、数据清洗以及数据扩充处理,最终得到了能较好模拟实际光照等场景且数据分布均衡的垃圾分类数据集g-160 dataset。该数据集共有图片80000张。(2)采用迁移学习加模型微调的方法对性能稳定的MobileNet＿v3＿large(baseline)进行改进,提出了一种基于通道注意力模块加空间注意力模块的新型混合注意力结构。该结构包括通道注意力模块和能够解耦全连接注意力的空间注意力模块,其中通道注意力机制捕获跨通道信息,空间注意力模块通过两个级联的线性层实现解耦全连接注意力,用于捕获远距离空间信息。两个模块共同作用于输入特征,有效避免了局部干扰信息的影响。为了丰富输入到模型中的信息,在模型训练过程中增大了输入图像分辨率并使用方向梯度直方图变换的方法。最终,微调后的baseline在g-160 dataset上精度达到了88.9%,精度提升幅度为1.04%。实验结果表明,该新型混合注意力机制能够提升垃圾分类模型的精度。(3)针对传统卷积神经网络感受野有限和非局部神经网络设计复杂的问题,设计了具有非局部注意的垃圾分类模型,以提升模型对图片中全局信息和细粒度信息的学习能力。该模型的主要特征提取单元能够通过解耦全连接注意力获取远距离信息,并通过可学习的线性编码层叠加到特征映射上并进行卷积,以调整卷积特征的空间结构。此外,为改善垃圾识别时类别易混淆的问题,设计了可以学习所有样本之间相关性的微调外部注意力机制,其结构为两个级联线性层和一个归一化层。最终,该垃圾分类模型大小为6.2M,在g-160 dataset上的最高分类精度为91.34%,超过模型参数量为27.9M的先进模型ConvNeXt＿tiny 0.04%。

关键词：深度学习垃圾分类 MobileNet 非局部注意渐进式训练

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：