轻量化垃圾目标检测算法研究

为提高垃圾分类效果,利用深度学习模型YOLOv7,实现垃圾的智能识别与分类。居民可用手机拍摄垃圾,算法将自动分析并给出垃圾分类建议。该模型在自制数据集上的准确率达到90.7%,具有较高准确性。为优化模型,采用GSConv和PConv替换原卷积,实现轻量化处理,删减冗余参数。实验显示,轻量化后模型参数减少23.1%,推理速度提升30.1%,为居民垃圾分类提供了实用方案,有效提升了居民端垃圾目标检测的准确率,进而为居民日常垃圾分类提供了可行性技术方法参考。

基于混合注意力神经网络的表情识别

针对人脸表情识别研究中存在的表情类间差异小而导致的表情易混淆的问题,提出了一种改进模型。通过在残差网络的基础上引入混合注意力机制,强化模型对表情局部特征的关注,通过引入Focal Loss强化模型对复杂表情的学习,引入Center Loss帮助模型过滤出显著特征。实验表明,该方法在公开人脸表情数据集RER2013上的识别准确率为73.74%。