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
针对新型带伪缺口的滑动拼图验证码程序有效阻止了现有方法的攻击,提出改进ResNet18的滑动拼图验证码破解方法。为保证训练模型具有泛化性,通过数据增强方式获取百万级训练样本并进行图像预处理;随后将预处理图像送入改进的ResNet18进...针对新型带伪缺口的滑动拼图验证码程序有效阻止了现有方法的攻击,提出改进ResNet18的滑动拼图验证码破解方法。为保证训练模型具有泛化性,通过数据增强方式获取百万级训练样本并进行图像预处理;随后将预处理图像送入改进的ResNet18进行训练和测试获得网络模型,紧接着使用该模型进行滑块检测和缺口检测计算滑块与缺口之间的距离,并使用随机曲线拟合算法生成滑动轨迹;利用Selenium拖动滑块完成拼图验证。经实验表明改进ResNet18相较于传统的ResNet18参数量减少41%、GFLOPs(Giga Floating-point Operations Per Second)减少59%,在检测精度提高1.8百分点的情况下推理速度快了2.75倍,还能有效破解新型和普通滑动拼图验证码程序,其中mAP(Mean Average Precision)达到98.66%,mAS(Mean Average Speed)为3.68 s,具有较强的普适性且整体性能优于现有方法。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%。
文摘针对新型带伪缺口的滑动拼图验证码程序有效阻止了现有方法的攻击,提出改进ResNet18的滑动拼图验证码破解方法。为保证训练模型具有泛化性,通过数据增强方式获取百万级训练样本并进行图像预处理;随后将预处理图像送入改进的ResNet18进行训练和测试获得网络模型,紧接着使用该模型进行滑块检测和缺口检测计算滑块与缺口之间的距离,并使用随机曲线拟合算法生成滑动轨迹;利用Selenium拖动滑块完成拼图验证。经实验表明改进ResNet18相较于传统的ResNet18参数量减少41%、GFLOPs(Giga Floating-point Operations Per Second)减少59%,在检测精度提高1.8百分点的情况下推理速度快了2.75倍,还能有效破解新型和普通滑动拼图验证码程序,其中mAP(Mean Average Precision)达到98.66%,mAS(Mean Average Speed)为3.68 s,具有较强的普适性且整体性能优于现有方法。
