吉林大学学报(信息科学版) ›› 2023, Vol. 41 ›› Issue (6): 1030-1040.
苏 雯, 徐鑫林, 胡宇超, 黄博涵, 周佩廷
SU Wen, XU Xinlin, HU Yuchao, HUANG Bohan, ZHOU Peiting
摘要: 为更好地保护生态环境并提高可回收垃圾的经济价值, 针对现有的垃圾识别方法面临的分类背景复杂、 垃圾目标形态变化多样等问题, 提出一种面向垃圾图像分类的残差语义强化网络, 能从复杂背景中剥离前景 语义目标。 该网络以骨干残差网络为基础, 利用视觉概念采样、 推理以及调制模块实现视觉语义的提取, 并通过注意力模块消除语义层次和空间分辨率与视觉概念特征的差距, 从而对垃圾目标形态变化更加具有 鲁棒性。 通过在 Kaggle 开源的 12 分类垃圾数据集及 TrashNet 数据集上进行实验, 结果表明, 相较于骨干网络 ResNeXt-50 和其他深层网络, 该算法均取得了性能的提升, 在垃圾图像分类任务上有较好表现。
中图分类号: