垃圾分类对比分析实验过程及结果

2022-05-31

垃圾分类对比分析实验过程及结果

设计了三个实验进行对比实验分析。
分别是：

实验一：使用金字塔网络PyramidNet实现垃圾分类实验；
实验二：使用ECA-ResNet50系列网络进行垃圾分类实验；
实验三：使用SRM,GE,SE和ResNet进行垃圾分类实验；

均采用垃圾60分类数据集进行对比验证，其中还采用垃圾60分类0等数据集进行基线验证。实验均采用VisualDL进行训练和验证以及测试过程中的acc和loss的可视化。

结论：

实验一：

- 在性能超越resnet50的情况下，模型反而具有少的多的参数量。

实验二：

- 添加了ECA模块后，原有的ResNet网络的性能有了可观的提高。
- Paddle自带的SE网络性能很好，可见Paddle对此做了很多优化。
- 用ECA模块替换SE网络中的SE模块后，虽然最高的验证准确率略低一点，但是从图中可以看出不管是准确率还是loss都在整体上优于SE网络。
- ECA-NET可以认为是在SE网络上的改进网络，只考虑了通道注意力，但却突出的体现了简约但不简单的优点。

实验三：

- SRM-NET虽然是提取风格权重，但本质是一种注意力机制，所以可以用在通用计算机视觉任务上,比如分类。
- 作为含有注意力机制的一种卷积网络结构，SRM-NET可以作为一种backbone的选择用来替代ResNet。
- 本实验还比较了SRM和其它两种注意力网络GE，SE及原生ResNet的训练验证过程，可以看出在分类任务上，SRM也是其中表现最好的一种网络。

具体实验

实验一：使用金字塔网络PyramidNet实现垃圾分类实验

import os
import shutil
from config import config_parameters

train_dir = config_parameters['train_image_dir']
eval_dir = config_parameters['eval_image_dir']
paths = os.listdir('work/dataset')

if not os.path.exists(train_dir):
    os.mkdir(train_dir)
if not os.path.exists(eval_dir):
    os.mkdir(eval_dir)

for path in paths:
    imgs_dir = os.listdir(os.path.join('work/dataset', path))
    target_train_dir = os.path.join(train_dir,path)
    target_eval_dir = os.path.join(eval_dir,path)
    if not os.path.exists(target_train_dir):
        os.mkdir(target_train_dir)
    if not os.path.exists(target_eval_dir):
        os.mkdir(target_eval_dir)
    for i in range(len(imgs_dir)):
        if ' ' in imgs_dir[i]:
            new_name = imgs_dir[i].replace(' ', '_')
        else:
            new_name = imgs_dir[i]
        target_train_path = os.path.join(target_train_dir, new_name)
        target_eval_path = os.path.join(target_eval_dir, new_name)     
        if i % 8 == 0:
            shutil.copyfile(os.path.join(os.path.join('work/dataset', path), imgs_dir[i]), target_eval_path)
        else:
            shutil.copyfile(os.path.join(os.path.join('work/dataset', path), imgs_dir[i]), target_train_path)

- 使用PyramidNet_bottleneck对垃圾60分类的训练验证图示

垃圾60分类训练验证过程

- 使用PyramidNet_bottleneck对垃圾60分类的训练验证图示

使用PyramidNet_bottleneck对垃圾60分类的训练验证图示

- 使用PyramidNet的训练验证图示

使用PyramidNet的训练验证图示

- 使用resnet50网络进行垃圾分类的训练并验证

使用resnet50网络进行垃圾分类的训练并验证

- 使用PyramidNet和ResNet的训练验证比较图示

使用PyramidNet-32（alpha=300 without bottleneck）和PyramidNet-32（alpha=300 with bottleneck）相较于resnet50模型具有更高的准确率，却具有少的多的参数。其中，resnet50的模型大小有141.5M，而PyramidNet-32（alpha=300 without bottleneck）的模型大小有72.6M，PyramidNet-32（alpha=300 with bottleneck）的模型大小仅有48.9M。