文献类型：期刊文章

作　　者：陈智超[1,2] 焦海宁[1,2] 杨杰[1,2] 曾华福[1,2]

CHEN Zhi-chao;JIAO Hai-ning;YANG Jie;ZENG Hua-fu(School of Electrical Engineering and Automation,Jiangxi University of Science and Technology,Ganzhou 341000,China;Jiangxi Provincial Key Laboratory of Maglev Technology,Ganzhou 341000,China)

机构地区：[1]江西理工大学电气工程与自动化学院,江西赣州341000 [2]江西省磁悬浮技术重点实验室,江西赣州341000

出　　处：《浙江大学学报（工学版）》

基　　金：国家自然科学基金资助项目(61763016);江西省03专项及5G资助项目(20204ABC03A15).

年　　份：2021

卷　　号：55

期　　号：8

起止页码：1490-1499

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对现有的垃圾图像分类模型实时性能差和分类精度低的问题,提出基于改进MobileNet v2的垃圾图像分类方法,构建以MobileNet v2为核心的轻量级特征提取网络.通过调整宽度因子降低模型的参数量;在模型中嵌入通道和空间注意力模块,增强网络对特征的细化能力;设计多尺度特征融合结构,增强网络对尺度的适应性;利用迁移学习的方式优化模型参数,进一步提高模型精度.实验结果表明,算法在自建数据集上的平均准确率为94.6%,分别高于MobileNet v2、VGG16、GoogleNet、ResNet50、ResNet101模型2.0%、3.4%、3.2%、2.3%、1.2%;所提算法在2种公共图像分类数据集CIFAR-100和tiny-ImageNet中均取得不错表现;模型参数量仅为0.83 M,体积约为基础模型的2/5,在边缘设备JETSON TX2上的单次推理耗时68 ms,实现了推理速度和预测准确率的提升.

关 键 词：垃圾图像分类  MobileNet v2  注意力机制  多尺度特征融合  迁移学习  

分 类 号：TP399]