基于ResNet-50垃圾分类算法的改进及应用

随着人们生活水平和消费水平的不断提高,垃圾问题日益严峻。针对当前垃圾分类易出错、准确率低等问题,本文提出了一种改进的ResNet-50识别算法,首先通过二维Gamma函数对图像进行光照校正预处理;然后,采用Leaky ReLU激活函数,并把激活函数和BatchNormalize层的位置放在了卷积神经网络的卷积操作之前,优化了ResNet-50网络结构。最后,收集常见的4种类型垃圾进行训练、测试得到最优网络模型。经实验验证,该模型的准确率达到99%,识别效果较佳。为营造共建共享氛围,实现垃圾快速有效分类,推动绿色生活方式提供了理论依据。

改进误差反向传播法神经网络对手写数字识别

针对传统的误差反向传播法神经网络出现训练时间长、识别准确率不高、参数更新不精确、过于依赖初始值等问题进行改进优化。为了提高误差反向传播法对手写数字的识别准确率,在已有的神经网络基础上,改进误差反向传播法神经网络激励算法,使用新的激活函数,优化参数的更新,取交叉熵函数并引用BatchNorm算法。采用MNIST数据集对搭建的神经网络进行训练、测试,优化了神经网络的训练速率和识别精度。实验表明,改进后的误差反向传播算法神经网络对比手写数字的识别准确率提高了4%。

基于改进SSD的目标检测方法

为了提高目标检测的准确度与稳定性,在原始SSD算法的基础上提出一种新的检测方法。该方法在原先的网络结构上进行优化和改进,把原本级联的网络改成残差连接结构并加入FPN算法思想,把网络中高低层的特征进行融合。同时为了解决用预训练模型训练网络所带来的学习目标偏差和体系结构受分类网络的限制,修改不方便等问题,采用批处理归一化BatchNorm去随机初始化训练模型。在PASCAL VOC数据集上的测试结果表明,相比于原始SSD,该方法可以自由地修改体系结构,而不需要预训练,并且进一步提高了小目标的检测精度。