获取网站访客qq信息,最好的html5画廊显示质量html5的网站,wordpress to_ping,html5简单网页大作业这是小编转载的第 31 篇好文来自#xff1a;视说AI作者#xff1a;视说君让垃圾自动分类近期垃圾分类成为了一个热门话题#xff0c;原来直接一次性扔掉的垃圾#xff0c;现在都需要分门别类进行投放。从今年7月1日起#xff0c;新的《上海市生活垃圾管理条例》正式开始施… 这是小编转载的第 31 篇好文来自视说AI作者视说君让垃圾自动分类 近期垃圾分类成为了一个热门话题原来直接一次性扔掉的垃圾现在都需要分门别类进行投放。从今年7月1日起新的《上海市生活垃圾管理条例》正式开始施行号称史上最严的垃圾分类就要来了。我们以后在扔垃圾前都要先将垃圾仔细分成可回收物、有害垃圾、湿垃圾和干垃圾四个类别如果分错还会被罚款。垃圾分类可以更好地保护我们的环境卫生为了让大家能够正确对垃圾进行分类官方发布了垃圾分类指南列举了每种类别对应的常见垃圾大家可以对照着进行分类投放。此外脑洞大开的网友们也另辟蹊径提供了各种有意思的分类思路。在日常生活中每个类别的垃圾往往包含了各式各样的内容人们在分类投放的时候难免会出现偏差这个时候如果有一个分类神器对垃圾拍个照就能告诉我们是什么类别就好了。当前人工智能飞速发展我们能否利用AI技术来对垃圾自动分类实现上面提到的设想呢为了回答这个问题在今天的文章中我们将从人工智能的角度出发尝试利用深度学习技术来构建一个垃圾自动分类器同时也会进一步介绍AI垃圾分类遇到的挑战和一些思考。 “垃圾”图像数据准备 为了实现一个理想的垃圾自动分类器需要有一个已经分好类别的“垃圾”图像数据集作为训练的基础。然而当前并没有这样一个可以直接使用的数据集所以我们首先自己动手收集海量的“垃圾”图像并为每张图像标注上相应的类别。数据集的收集一直是一件耗时耗力的工作为了快速便捷地完成“垃圾”图像数据集的收集我们依据官方发布的垃圾分类指南上每一类所包含的垃圾名称通过在百度图片上爬取名称对应的图像来实现。官方发布的垃圾分类指南如下图所示。在实际的应用场景中待分类的样本往往是不可控的所以一般会增加“其他”这个类别用来收留各种异常样本。在垃圾分类中除可回收物、有害垃圾和湿垃圾外都属于干垃圾所以干垃圾已经扮演了“其他”的角色。我们的“垃圾”图像数据集最终分为可回收垃圾、有害垃圾、湿垃圾和干垃圾四个类别。数据集的部分图像如下图所示。 垃圾自动分类器 垃圾自动分类本质上是一个图像分类问题当前基于深度卷积神经网络的图像分类算法发展很快各种方法层出不穷。下面我们先回顾这些分类网络的演进思路再进一步将分类算法应用于垃圾分类介绍构建一个垃圾自动分类器的流程和细节。卷积神经网络的开山之作LeNet于1998年被提出并成功应用于手写体识别。LeNet和现在的网络结构相比虽然简单如上图所示但是卷积层、池化层和全连接层这些基本模块都已经具备。随着ReLU和dropout的提出以及GPU和大规模数据集的出现卷积神经网络在2012年迎来了历史突破AlexNet的出现让卷积神经网络开始逐渐成为计算机视觉任务的标配。在AlexNet的基础上以增加网络深度为思路出现了VGGNet以增强卷积模块为思路出现了基于Inception的一系列网络。随着后来居上的ResNet的提出层数极深的网络成为了可能。通过引入残差模块缓解了深度网络训练过程中的梯度消失问题让网络的深度不断加大网络性能也得到了大幅提升。之后的DenseNet更是通过对特征图的稠密连接加强了特征的传递继续提升分类效果。当前ResNet及其变种形式已经被广泛地应用于图像分类任务同时也成为了在解决目标检测和图像分割等其他计算机视觉问题时常用的主干网络结构。在本文中我们使用50层的ResNet来构建垃圾自动分类器。具体我们采用在ImageNet数据集上预训练的ResNet50模型参数作为初始化利用上一节中收集的“垃圾”图像数据集对其进行微调。其中我们将上述ResNet50的最后一层输出从1000ImageNet数据集的分类数量修改为4垃圾分类数量同时在训练过程中冻结了部分卷积层参数的更新。此外还进一步利用水平翻转、随机裁剪和色彩抖动等方式对训练的“垃圾”图像进行数据增强。在完成垃圾自动分类器的训练后我们对一些垃圾进行了自动分类的测试准确率达到近90%。虽然对复杂的情况还是存在一定的误判但大部分常见的垃圾都得到了正确的区分具有较强的实用性。 从单个垃圾分类到一群垃圾分类 上一节中我们介绍了垃圾自动分类器的构建但是这样的垃圾分类器的输入都是单个垃圾图像。在实际的垃圾分类投放过程中对单个的垃圾进行一一拍照分类显得过于繁琐和缓慢。那能不能对一群垃圾直接拍照后进行批量分类呢要实现对一群垃圾的批量分类其实就是要构建一个垃圾的目标检测器。输入一张含有多个垃圾的图像让模型输出图像上每种垃圾对应的类别。 在深度学习出现之前可变形部件模型DPM一直是流行的目标检测方法。深度学习出现后以R-CNN、Fast R-CNN、Faster R-CNN为代表的两阶段算法和以YOLOv1-3、SSD、RetinaNet为代表的单阶段算法成为主流。前者是先由算法生成一系列待检测目标的候选框再通过卷积神经网络进行候选框的分类后者则不用产生候选框直接将目标边框定位的问题转化为回归问题处理。和垃圾分类器一样一个理想的垃圾检测器需要大量的“垃圾”标注数据来支撑。但是与分类数据集相比检测数据集除了标注类别外还要标注图位置坐标这样的标注工作更为艰巨。在完成垃圾检测的图像数据集后就可以利用当前主流的深度学习检测算法来实现批量垃圾的分类。 写在最后 垃圾分类最近成为了大家生活中经常讨论的话题这篇文章分享了如何利用深度学习技术来构建一个垃圾自动分类器也进一步介绍了从单个垃圾分类到批量垃圾分类的思路和挑战。在实际的垃圾分类中由于垃圾多种多样同一类别的垃圾可能差异很大而不同类别的垃圾可能差异很小在复杂情况下分类器效果可能会不尽如人意后续可以考虑加入垃圾之间的高层次语义关系信息进一步提升分类器的性能。最后希望大家都能做到正确的垃圾分类投放毕竟生活不易还是不要被罚款。一些资料[1] Deep Residual Learning for Image Recognition[2] ImageNet Classification with Deep Convolutional Neural Networks[3] Very Deep Convolutional Networks for Large-Scale Image Recognition长按二维码关注我们往期热门谁才是真正的C位让AI告诉你生成对抗网络玩转图像水印一根烟上热搜先让 AI 看看你的肺AI技术在图像水印处理中的应用点个 “在看”支持「视说」原创
