典型文献
基于迁移学习的多场景垃圾图像分类方法
文献摘要：
垃圾分类回收是资源循环再生链条中重要的一环,传统的人工分类方法效率低,而基于神经网络模型的图像识别技术是实现智能化分类回收的重要策略,具有准确度高、泛化性能好等优点.针对生活垃圾场景的多样性以及垃圾图像数据集缺乏的问题,该文在基于单一背景和复杂背景两种不同垃圾图像场景下,提出一种基于预训练ResNeXt101模型进行迁移学习的方法.利用大规模ImageNet图像数据集训练模型参数,并将参数迁移到垃圾图像数据分类模型中进行训练,解决缺乏大规模标注数据的垃圾图像数据集的分类问题,实现玻璃和纸类等4种可回收物的分类识别以及厨余垃圾中杂质的检测.实验结果表明,利用该模型在真实背景下的垃圾图像分类准确率可以达到87.42％,单一背景下分类准确率达到96.19％,实现了高精度的可回收物识别分类以及厨余垃圾中高效的杂质检测,同时有效提升了模型训练速度.
文献关键词：
图像识别;迁移学习;残差网络;RexNeXt;垃圾分类
中图分类号：
作者姓名：
彭治;刘杨;杜永萍;常燕青;韩红桂
作者机构：
北京工业大学 信息学部,北京 100124;江苏省固体废弃物处理环保装备工程技术研究中心,江苏 常州 213000
文献出处：
引用格式：
[1]彭治;刘杨;杜永萍;常燕青;韩红桂-.基于迁移学习的多场景垃圾图像分类方法)[J].计算机技术与发展,2022(05):106-111
A类：
RexNeXt
B类：
迁移学习,多场景,图像分类,分类方法,垃圾分类,分类回收,资源循环,循环再生,工分,图像识别技术,智能化分类,泛化性能,生活垃圾,垃圾场,图像数据集,复杂背景,预训练,ResNeXt101,ImageNet,集训,训练模型,参数迁移,数据分类模型,分类问题,纸类,可回收物,分类识别,厨余垃圾,分类准确率,识别分类,质检,模型训练,训练速度,残差网络
AB值：
0.398298
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
