【技术实现步骤摘要】
本专利技术属于机器学习领域，特别涉及一种垃圾识别分类方法。
技术介绍
1、随着人工智能技术的迅猛发展，尤其是在机器学习领域，深度学习技术在图像识别方面取得了突破性进展；这一技术进步为垃圾的自动识别与分类提供了新的解决方案，对于推动垃圾分类的自动化和资源的有效回收利用具有重大意义；通过构建包含广泛样本的图像数据集，并利用深度学习模型进行训练，可以实现对垃圾的高效识别和分类。
2、然而，现实世界中的图像数据具有高度的复杂性和多样性，这对垃圾分类模型的泛化能力提出了更高的要求；为了应对这一挑战，研究者们开发了多种策略，如利用超网络技术快速适应新任务、采用mixup增强技术提高模型对样本多样性的适应性，以及通过元学习策略提升模型从小样本中快速学习的能力；这些技术的融合应用，使得模型不仅能够准确识别常见的垃圾类型，还能够对未知或不常见的垃圾样本进行有效的检测和分类。
3、分布外检测是机器学习领域的一个重要研究方向，它关注模型在面对训练过程中未遇到的样本时的表现；在垃圾分类的实际应用中，模型可能会遇到各种非典型或异常的垃圾样...
【技术保护点】
1.一种垃圾识别分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种垃圾识别分类方法，其特征在于，步骤S2中的HyperTune模块，超网络通过元学习进行训练，即在多个小样本分类任务上进行学习；每个任务集包含支持集和查询集，模型需在支持集上学习，并对查询集进行预测；具体由一个两层全连接层的多层感知机组成，每层大小为256，通过公式生成分类器的权重，权重生成过程如下：
3.根据权利要求1所述的一种垃圾识别分类方法，其特征在于，步骤S3中的P-Mix模块，使用Mixup增强支持集，并使用加权聚合来计算分类器权重；将混合支撑样本和相应的...
【技术特征摘要】
1.一种垃圾识别分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种垃圾识别分类方法，其特征在于，步骤s2中的hypertune模块，超网络通过元学习进行训练，即在多个小样本分类任务上进行学习；每个任务集包含支持集和查询集，模型需在支持集上学习，并对查询集进行预测；具体由一个两层全连接层的多层感知机组成，每层大小为256，通过公式生成分类器的权重，权重生成过程如下：
3.根据权利要求1所述的一种垃圾识别分类方法，其特征在于，步骤s3中的p-mix模块，使用mixup增强支持集，并使用加权聚合来计算分类器权重；将混合支撑样本和相应的标号分别记为x-s和y-s；混合参数pm从固定的beta分布中采样，并使用样本特定权重代码的加权聚合来计算提取的分类器参数，其中聚合权重是根据混合样本的概率确定的，具体流程如下：
4.根据权...
【专利技术属性】
技术研发人员：袁腾飞，刘桐山，李兆杰，高钟涛，李超，王旭华，张奉春，付成斌，江峰清，蒋浪，朱晓天，公晓伟，李红红，董军超，毕士波，
申请(专利权)人：中铁十四局集团第三工程有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。