针对海量废弃家电回收图像数据在回收技术中难以有效利用的问题,提出了一种基于ResNet和多尺度卷积的废弃家电回收图像分类模型(Multi-scale and Efficient ResNet,ME-ResNet)。首先,基于残差结构设计了多尺度卷积模块以提升不同尺度特...针对海量废弃家电回收图像数据在回收技术中难以有效利用的问题,提出了一种基于ResNet和多尺度卷积的废弃家电回收图像分类模型(Multi-scale and Efficient ResNet,ME-ResNet)。首先,基于残差结构设计了多尺度卷积模块以提升不同尺度特征信息提取能力,在此基础上基于ResNet设计了针对废弃家电回收图像分类问题的ME-ResNet模型;其次,通过用深度可分离卷积替换多尺度卷积中的部分卷积层,实现ME-ResNet模型轻量化;最后,通过与其他卷积神经网络的对比实验,对ME-ResNet及其轻量化模型的性能进行了验证。研究结果表明:相较于经典的卷积神经网络ResNet34,ME-ResNet及其轻量化模型均能有效提升识别准确度,针对构建的数据集,其最优准确率分别提升了1.2%和0.3%,宏精确率分别提升了1.7%和0.9%,宏召回率分别提升了1.3%和0.2%,宏F1分数分别提升了1.5%和0.5%。展开更多
山洪是全球范围内最危险的自然灾害之一,具有突发性强、成灾快和破坏力大并且难以短时临近预测的特点。传统山洪预报预警方法主要依赖于基于物理机制的水文-水动力山洪过程模拟,然而这种方法计算复杂耗时较长,难以满足山洪的短时临近预...山洪是全球范围内最危险的自然灾害之一,具有突发性强、成灾快和破坏力大并且难以短时临近预测的特点。传统山洪预报预警方法主要依赖于基于物理机制的水文-水动力山洪过程模拟,然而这种方法计算复杂耗时较长,难以满足山洪的短时临近预测需求。以浙江临安仁里村为例,在水文-水动力物理模拟所产生的8378条降雨时序和对应山洪淹没时空序列数据集的基础上,以基于卷积门控循环单元(convolutional gated recurrent unit convGRU)的深度神经网络作为核心,构建山洪时空序列预测代理模型。该模型通过输入过去24小时降雨观测时序和未来6小时的降雨预报时序,可实现未来6小时山洪淹没时空演变过程的快速预测。代理模型在测试集中能可靠地预测未来逐小时的山洪淹没范围、最大淹没深度以及淹没位置,未来6小时预测的可决系数均值为0.96,且预测速度平均比物理模拟快15625倍。这表明该代理模型能够捕捉物理模拟中降雨到山洪的复杂映射关系,实现目标区域山洪的快速预测,为山洪预警及应急响应决策制定提供有力的模型基础。展开更多
文摘针对海量废弃家电回收图像数据在回收技术中难以有效利用的问题,提出了一种基于ResNet和多尺度卷积的废弃家电回收图像分类模型(Multi-scale and Efficient ResNet,ME-ResNet)。首先,基于残差结构设计了多尺度卷积模块以提升不同尺度特征信息提取能力,在此基础上基于ResNet设计了针对废弃家电回收图像分类问题的ME-ResNet模型;其次,通过用深度可分离卷积替换多尺度卷积中的部分卷积层,实现ME-ResNet模型轻量化;最后,通过与其他卷积神经网络的对比实验,对ME-ResNet及其轻量化模型的性能进行了验证。研究结果表明:相较于经典的卷积神经网络ResNet34,ME-ResNet及其轻量化模型均能有效提升识别准确度,针对构建的数据集,其最优准确率分别提升了1.2%和0.3%,宏精确率分别提升了1.7%和0.9%,宏召回率分别提升了1.3%和0.2%,宏F1分数分别提升了1.5%和0.5%。
文摘山洪是全球范围内最危险的自然灾害之一,具有突发性强、成灾快和破坏力大并且难以短时临近预测的特点。传统山洪预报预警方法主要依赖于基于物理机制的水文-水动力山洪过程模拟,然而这种方法计算复杂耗时较长,难以满足山洪的短时临近预测需求。以浙江临安仁里村为例,在水文-水动力物理模拟所产生的8378条降雨时序和对应山洪淹没时空序列数据集的基础上,以基于卷积门控循环单元(convolutional gated recurrent unit convGRU)的深度神经网络作为核心,构建山洪时空序列预测代理模型。该模型通过输入过去24小时降雨观测时序和未来6小时的降雨预报时序,可实现未来6小时山洪淹没时空演变过程的快速预测。代理模型在测试集中能可靠地预测未来逐小时的山洪淹没范围、最大淹没深度以及淹没位置,未来6小时预测的可决系数均值为0.96,且预测速度平均比物理模拟快15625倍。这表明该代理模型能够捕捉物理模拟中降雨到山洪的复杂映射关系,实现目标区域山洪的快速预测,为山洪预警及应急响应决策制定提供有力的模型基础。
