王中磐，袁 野，李清都，萬(wàn)里紅，劉 娜

（1.上海理工大學(xué) 健康科學(xué)與工程學(xué)院，上海 200093；2.上海交通大學(xué) 電子信息與電氣工程學(xué)院，上海 200030；3.中原動(dòng)力智能機(jī)器人有限公司，河南 鄭州 450018）

0 引言

隨著我國(guó)經(jīng)濟(jì)快速發(fā)展，城市化進(jìn)程加快，人口不斷增加，城市生活垃圾日益增多，垃圾分類已成為社會(huì)熱點(diǎn)話題［1-2］。目前，國(guó)內(nèi)垃圾處理廠基本采用人工流水線分揀的方式進(jìn)行垃圾分揀，工作環(huán)境惡劣、勞動(dòng)強(qiáng)度大、分揀效率低。隨著深度學(xué)習(xí)技術(shù)在視覺(jué)領(lǐng)域的應(yīng)用與發(fā)展，使用機(jī)器人和AI 深度學(xué)習(xí)進(jìn)行智能化垃圾分類任務(wù)成為可能，既極大提升了垃圾分揀效率，又節(jié)約了人力資源。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）具有卷積計(jì)算的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，是計(jì)算機(jī)視覺(jué)領(lǐng)域常用的深度學(xué)習(xí)模型。1998 年，Lecun［3］最早提出卷積神經(jīng)網(wǎng)絡(luò)，盡管結(jié)構(gòu)較為簡(jiǎn)單，但定義了卷積層、池化層、全連接層這些基本結(jié)構(gòu)。

隨著計(jì)算機(jī)算力提升，更多模型架構(gòu)被提出并應(yīng)用到視覺(jué)領(lǐng)域中。Krizhevsky 等［4］提出AlexNet 網(wǎng)絡(luò)模型，包含ReLU 激活函數(shù)、Dropout 方法，使用GPU 加速模型訓(xùn)練的方法已在深度學(xué)習(xí)領(lǐng)域廣泛應(yīng)用。Simonyan 等［5］提出VGGNet 挖掘網(wǎng)絡(luò)深度對(duì)模型造成的影響，證明使用小卷積核、增加網(wǎng)絡(luò)深度可有效提升模型效果，但網(wǎng)絡(luò)過(guò)深會(huì)引發(fā)模型退化問(wèn)題。He 等［6］引入殘差模塊提出ResNet 能較好地解決網(wǎng)絡(luò)過(guò)深的問(wèn)題，后續(xù)提出的卷積神經(jīng)網(wǎng)絡(luò)大部分基于ResNet進(jìn)行改進(jìn)。

在視覺(jué)任務(wù)中，卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的顯著成就很大程度上歸功于大規(guī)模已標(biāo)注的均衡數(shù)據(jù)集。然而，相較于常用的公共數(shù)據(jù)集（ImageNet［7］），真實(shí)數(shù)據(jù)集通常以不平衡數(shù)據(jù)分布為主［8］，即少數(shù)類別包含多數(shù)樣本（頭部類），大多數(shù)類別只有少數(shù)樣本（尾部類［9-10］）。由于垃圾數(shù)據(jù)集具有以上特點(diǎn)，因此在這些分類失衡數(shù)據(jù)集上訓(xùn)練的模型容易發(fā)生過(guò)擬合現(xiàn)象，導(dǎo)致模型在少數(shù)類別上的泛化性能較差［11-12］。

1 相關(guān)研究

現(xiàn)有類別不平衡解決策略可分為重采樣（Re-sampling）［13-14］和重加權(quán)（Re-weighting）［15-16］。其中，重采樣通過(guò)對(duì)頭部類進(jìn)行欠采樣或過(guò)采樣尾部類來(lái)調(diào)整訓(xùn)練數(shù)據(jù)分布類別，緩解數(shù)據(jù)不平衡問(wèn)題。例如，GAN-over-sampling［17］通過(guò)對(duì)抗生成網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）生成尾部類的樣本，從而使數(shù)據(jù)集重新達(dá)到平衡狀態(tài)；重加權(quán)則為每個(gè)類別分配不同權(quán)重，使模型能更專注于擬合尾部類的樣本［18］，相關(guān)方法包括Focal Loss［19］、CB Loss（Class-balanced loss）［20］等。Focal Loss 通過(guò)研究類別的預(yù)測(cè)難易度，并提升預(yù)測(cè)難度高的樣本權(quán)重，認(rèn)為不平衡數(shù)據(jù)集中尾部類預(yù)測(cè)難度更高，該類的預(yù)測(cè)概率遠(yuǎn)低于頭部類［19］；CB Loss 引入一個(gè)有效樣本數(shù)的概念來(lái)近似不同類樣本的期望值，并使用一個(gè)與有效樣本數(shù)成反比的權(quán)重因子來(lái)改進(jìn)損失函數(shù)［20］。

雖然重采樣與重加權(quán)策略可改善推理尾部類別的性能，但在一定程度上會(huì)損失頭部類的性能，并且簡(jiǎn)單地過(guò)采樣尾部類樣本可能會(huì)導(dǎo)致模型過(guò)度擬合［21］，在訓(xùn)練過(guò)程中直接提升尾部類的權(quán)重也將使模型降低對(duì)頭部類的關(guān)注度。因此，在提升尾部類別泛化能力的同時(shí)，還需要保持頭部類的分類性能，即在垃圾分類任務(wù)中在保持常見(jiàn)垃圾類別識(shí)別精確度的基礎(chǔ)上，提升尾部罕見(jiàn)垃圾類別識(shí)別精確度。

為此，本文提出一種從標(biāo)簽層面分析數(shù)據(jù)集的重標(biāo)記算法框架，從源頭上緩解類別不平衡對(duì)模型訓(xùn)練造成的影響，在一定程度上保證頭部類的識(shí)別精度不受損失。首先提出一種針對(duì)數(shù)據(jù)樣本的重標(biāo)記算法解決類別不平衡、降低模型泛化性能的問(wèn)題。該算法將頭部類劃分為多個(gè)子類并分配相應(yīng)的標(biāo)簽，以緩解標(biāo)簽層面的不平衡問(wèn)題；然后針對(duì)多種不同垃圾類別，制作具有長(zhǎng)尾分布的垃圾數(shù)據(jù)集。實(shí)驗(yàn)表明，所提算法能在著提升長(zhǎng)尾數(shù)據(jù)集中尾部類性能的前提下，基本不損失頭部類性能。

2 垃圾分類任務(wù)方案設(shè)計(jì)

本文所提重標(biāo)記算法旨在緩解類別不平衡的垃圾數(shù)據(jù)集對(duì)模型分類性能造成的影響，最終將部署到保潔機(jī)器人等邊緣計(jì)算設(shè)備上，以更好地完成垃圾分類任務(wù)。因此，垃圾檢測(cè)分類工作是基礎(chǔ)，需要設(shè)計(jì)垃圾分類流程，完成長(zhǎng)尾版本垃圾數(shù)據(jù)集的建立與分析，具體流程設(shè)計(jì)如圖1所示。

Fig.1 Waste sorting process圖1 垃圾分類流程

由圖1 所示，該流程主要包括數(shù)據(jù)集采集與分析、模型調(diào)整與訓(xùn)練兩個(gè)部分。首先，確定數(shù)據(jù)集的垃圾種類，采集相應(yīng)數(shù)據(jù)并對(duì)數(shù)據(jù)集進(jìn)行篩選和預(yù)處理，制作出具有長(zhǎng)尾分布的數(shù)據(jù)集版本。然后，確定分類CNN 模型，根據(jù)任務(wù)要求對(duì)模型進(jìn)行調(diào)整與改進(jìn)。最后，在確定數(shù)據(jù)集和模型后開(kāi)始訓(xùn)練模型和驗(yàn)證測(cè)試工作，若模型精度達(dá)到項(xiàng)目要求則開(kāi)始垃圾識(shí)別任務(wù)，反之將進(jìn)一步調(diào)整模型參數(shù)，直至模型達(dá)到目標(biāo)精度。

本文實(shí)驗(yàn)所用的垃圾圖像數(shù)據(jù)大部分來(lái)源于自身相機(jī)拍攝的圖片，一部分來(lái)源于比賽開(kāi)源數(shù)據(jù)，共整理、制作了20 436 張，10 個(gè)類別的長(zhǎng)尾版本數(shù)據(jù)集，數(shù)據(jù)集制作、分析流程如圖2所示。

Fig.2 Dataset production and analysis process圖2 數(shù)據(jù)集制作和分析流程

由圖2 可見(jiàn)，該流程首先將采集的垃圾數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗，篩選出質(zhì)量較高的圖片構(gòu)成原始數(shù)據(jù)集；然后確定待構(gòu)建的長(zhǎng)尾數(shù)據(jù)集的不平衡因子，并進(jìn)行采樣重建，將原始垃圾數(shù)據(jù)集制作為具有長(zhǎng)尾分布的數(shù)據(jù)集版本；最后綜合考慮數(shù)據(jù)分布與聚類方法的分析結(jié)果，確定每個(gè)類別待劃分的子類數(shù)。

本文實(shí)驗(yàn)中垃圾數(shù)據(jù)集的類別數(shù)不多且具有嚴(yán)重的類別不平衡分布情況，目前常用的網(wǎng)絡(luò)為ResNet［6］、EfficientNet［22］，由于ResNet 網(wǎng)絡(luò)的分類精度與較為先進(jìn)的EfficientNet 模型相當(dāng)，但參數(shù)量更少，運(yùn)行時(shí)占用內(nèi)存較少，更適合部署保潔機(jī)器人的邊緣計(jì)算設(shè)備，能提升算法實(shí)施和落地的可行性。因此本文分類模型選用ResNet 網(wǎng)絡(luò)進(jìn)行后續(xù)實(shí)驗(yàn)。

3 數(shù)據(jù)重標(biāo)記算法設(shè)計(jì)

3.1 總體框架

圖3 為本文所提重標(biāo)記算法的總體框架，主要包含特征提取模塊、特征聚類模塊和標(biāo)簽映射模塊。其中，特征提取模塊由ResNet32 的主干部分構(gòu)成，利用卷積神經(jīng)網(wǎng)絡(luò)提取輸入圖像特征；特征聚類模塊根據(jù)提取特征的類內(nèi)距離將其劃分為幾個(gè)子類，并為每個(gè)子類樣本生成唯一的偽標(biāo)簽，完成數(shù)據(jù)重標(biāo)記；標(biāo)簽映射模塊將偽標(biāo)簽空間映射到真實(shí)標(biāo)簽空間。

Fig.3 Overall framework of data relabeling algorithm圖3 數(shù)據(jù)重標(biāo)記算法整體框架

3.2 特征聚類模塊

特征聚類模塊將樣本特征劃分為指定數(shù)量的子類，并重新標(biāo)記對(duì)應(yīng)的偽標(biāo)簽。具體的，首先在訓(xùn)練過(guò)程中的卷積神經(jīng)網(wǎng)絡(luò)主干部分提取訓(xùn)練樣本特征；然后通過(guò)動(dòng)態(tài)特征聚類方法，根據(jù)對(duì)應(yīng)類別樣本中心的距離大小，將屬于同一類的特征劃分為若干個(gè)小的子類別；最后為每個(gè)子類賦予一個(gè)偽標(biāo)簽并計(jì)算損失。動(dòng)態(tài)特征聚類方法計(jì)算公式如式（1）、式（2）所示。

式中：SCt為訓(xùn)練時(shí)第t個(gè)batch 中某個(gè)類別的樣本中心；Si為該類別第i個(gè)樣本；SN表示該類別劃分的子類別數(shù)，即樣本和樣本中心的最大距離被均勻劃分為SN個(gè)區(qū)間；dt為每個(gè)區(qū)間的長(zhǎng)度。

在訓(xùn)練期間，將樣本分批輸入框架中，對(duì)每批每一類數(shù)據(jù)樣本重復(fù)進(jìn)行下述操作：①根據(jù)所有樣本特征計(jì)算每個(gè)類別的樣本中心；②計(jì)算樣本到樣本中心的最大距離，然后將該距離分為多個(gè)區(qū)間；③根據(jù)每個(gè)樣本到樣本中心的距離排序關(guān)系確定樣本的所屬區(qū)間，并為其分配一個(gè)唯一的偽標(biāo)簽。此外，劃分的子類數(shù)目為一個(gè)超參數(shù)，其值與數(shù)據(jù)集分布情況相關(guān)。

3.2.1 樣本中心

Mini-batch 的訓(xùn)練策略雖然非常適合視覺(jué)任務(wù)，但會(huì)導(dǎo)致樣本中心計(jì)算成本過(guò)高。為了高效計(jì)算樣本中心，本文采用指數(shù)移動(dòng)平均法（Exponential Moving Average）使每批中各類別的樣本中心更接近數(shù)據(jù)集中與之相對(duì)應(yīng)類別的整體情況，樣本中心計(jì)算公式如式（3）所示。

式中：α（0＜α＜1）表示權(quán)重衰減程度；yt表示第t批中某個(gè)類別特征的平均值；SCt表示樣本中心，即第t批中某一類別特征的指數(shù)移動(dòng)平均值。

3.2.2 子類數(shù)目

子類數(shù)目由數(shù)據(jù)集的不平衡程度和類內(nèi)距離決定。一方面，本文所提方法旨在將嚴(yán)重不平衡的數(shù)據(jù)集中大多數(shù)類別劃分為更多子類；另一方面，本文通過(guò)實(shí)驗(yàn)分析子類數(shù)對(duì)模型造成的影響，得出子類數(shù)越大，樣本類內(nèi)距離越小，當(dāng)子類數(shù)過(guò)大時(shí)將降低模型分類精度。

因此，本文將對(duì)數(shù)據(jù)集中每個(gè)類別進(jìn)行聚類分析，結(jié)合數(shù)據(jù)集的分布情況綜合考慮子類數(shù)目，保證子類數(shù)量盡可能大一些，但不能使得類內(nèi)距離過(guò)小。特征聚類模塊中的動(dòng)態(tài)特征聚類方法作為重標(biāo)記算法的核心部分，具體計(jì)算流程如下：

算法1重標(biāo)記算法

3.3 特征映射模塊

為了將偽標(biāo)簽空間映射到真實(shí)標(biāo)簽空間，本文在特征提取模塊后設(shè)置一個(gè)標(biāo)簽映射模塊，該模塊也是一個(gè)多層全連接網(wǎng)絡(luò)。在訓(xùn)練過(guò)程中，由于特征聚類模塊對(duì)每個(gè)類別的樣本進(jìn)行聚類，并將其分成幾個(gè)子類，因此偽標(biāo)簽的總數(shù)會(huì)大于真實(shí)標(biāo)簽數(shù)量。為了完成初始分類任務(wù)，將相同類別樣本的所有偽標(biāo)簽映射到真實(shí)標(biāo)簽，三層全連接層的輸入維度設(shè)置為偽標(biāo)簽總數(shù)，并且輸出維度等于真實(shí)標(biāo)簽總數(shù)。

3.4 兩階段訓(xùn)練策略

由于特征提取模塊和標(biāo)簽映射模塊是兩個(gè)相對(duì)獨(dú)立的網(wǎng)絡(luò)，因此本文采用兩階段訓(xùn)練方式更新整個(gè)算法框架的權(quán)重參數(shù)，如圖4 所示。第一階段，通過(guò)特征聚類模塊生成的偽標(biāo)簽計(jì)算骨干網(wǎng)絡(luò)損失值，并更新特征提取模塊的權(quán)重參數(shù)。第二階段，將標(biāo)簽得到的真實(shí)標(biāo)簽作為ground-truth，計(jì)算標(biāo)簽映射模塊網(wǎng)絡(luò)的損失值，并更新該部分權(quán)重參數(shù)。第一、第二階段交替進(jìn)行，訓(xùn)練過(guò)程中損失函數(shù)保持一致。

Fig.4 Two-stage training strategy圖4 兩階段訓(xùn)練策略

4 實(shí)驗(yàn)與結(jié)果分析

4.1 數(shù)據(jù)集

本文數(shù)據(jù)集的不平衡因子定義為最小類別的訓(xùn)練樣本數(shù)除以最大類別的值，以反映數(shù)據(jù)集的不平衡程度。實(shí)驗(yàn)中，不平衡因子分別設(shè)置為0.01、0.1，由于數(shù)據(jù)分布的不平衡化只影響數(shù)據(jù)集中的訓(xùn)練集，因此平衡分布測(cè)試集類別。長(zhǎng)尾垃圾數(shù)據(jù)集分別為0—樹(shù)葉、1—易拉罐、2—果皮、3—包裝袋、4—紙、5—塑料瓶、6—瓜子殼、7—布制品、8—煙盒、9—煙頭。實(shí)驗(yàn)結(jié)果如圖5、圖6所示。

Fig.5 Distribution of garbage datasets with an unbalanced factor of 0.1圖5 不平衡因子為0.1時(shí)的垃圾數(shù)據(jù)集分布

Fig.6 Distribution of garbage datasets with an unbalanced factor of 0.01圖6 不平衡因子為0.01時(shí)的垃圾數(shù)據(jù)集分布

4.2 實(shí)驗(yàn)設(shè)置

本文將所提算法與重采樣（Re-sampling）［14］、重加權(quán)（Re-weighting）［15］、Focal loss［19］、交叉熵?fù)p失（CE Loss）［23］進(jìn)行比較。其中，重采樣根據(jù)每個(gè)類別的有效樣本數(shù)的倒數(shù)對(duì)樣本進(jìn)行重采樣；重加權(quán)根據(jù)每個(gè)類別的有效樣本數(shù)的倒數(shù)加權(quán)因子對(duì)樣本進(jìn)行重新加權(quán)；Focal loss 增加了預(yù)測(cè)難度較高樣本的損失，降低了分類效果較好的樣本權(quán)重；CE Loss不改變樣本權(quán)重，代表最基礎(chǔ)的方法。

本文將CE Loss、Focal Loss 兩種損失函數(shù)與None、重采樣和重新加權(quán)3 種方法相結(jié)合，作為不同訓(xùn)練基準(zhǔn)方法。其中，重加權(quán)、重采樣、CB Loss［20］的訓(xùn)練方法和參數(shù)一致，使用PyTorch 深度學(xué)習(xí)框架［24］訓(xùn)練所有模型，并且模型均采用ResNet［6］架構(gòu)。

本文采用ResNet-32 作為骨干網(wǎng)絡(luò)，對(duì)所有長(zhǎng)尾垃圾數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，模型均采用隨機(jī)初始化。另外，優(yōu)化器選用隨機(jī)梯度下降算法（SGD）［25］（動(dòng)量=0.9）對(duì)網(wǎng)絡(luò)訓(xùn)練200 個(gè)epoch，并按照CB Loss［20］的訓(xùn)練策略將初始學(xué)習(xí)率設(shè)置為0.1，然后在160、180 個(gè)epoch 分別衰減1%，實(shí)驗(yàn)顯卡為NVIDIA RTX 3090，batch_size 為128。

4.3 實(shí)驗(yàn)結(jié)果

本文采用基礎(chǔ)方法直接訓(xùn)練長(zhǎng)尾數(shù)據(jù)集（CE Loss+None）、SOTA 方法（Focal Loss+Reweight）與本文所提重標(biāo)記方法（Relabel）進(jìn)行比較，綜合分析3 種方法在不平衡因子為0.1 時(shí)垃圾數(shù)據(jù)集上每個(gè)類別的精度與平均精度，如表1 所示。由此可見(jiàn)，本文所提重標(biāo)記方法在該數(shù)據(jù)集上的平均精度最高，達(dá)到88.37%，相較于CE Loss+None、Focal Loss+Reweight 分別提升1.72%、1.24%。此外，重標(biāo)記方法能普遍提升樣本數(shù)較少的尾部類精度，對(duì)于樣本數(shù)較多的頭部類精度損失相對(duì)較少。

Table 1 Experimental results with an imbalance factor of 0.1表1 不平衡因子為0.1的實(shí)驗(yàn)結(jié)果（%）

同時(shí)，本文將3 種方法在不平衡因子為0.01 的垃圾數(shù)據(jù)集上測(cè)試的精度、平均精度如表2 所示。由此可見(jiàn)，本文所提重標(biāo)記方法平均精度最高，達(dá)到79.78%，相較于CE Loss+None、Focal Loss+Reweight 分別提升9.56%、4.39%。此外，重標(biāo)記方法能普遍提升樣本數(shù)較少的尾部精度，對(duì)樣本數(shù)較多的頭部類精度損失相對(duì)較少。

Table 2 Experimental results with an imbalance factor of 0.01表2 不平衡因子為0.01的實(shí)驗(yàn)結(jié)果（%）

綜上所述，采用本文所提重標(biāo)記算法能提升長(zhǎng)尾數(shù)據(jù)集的分類精度，相較于現(xiàn)有SOTA 方法效果更優(yōu)，并且對(duì)于高度不平衡的長(zhǎng)尾垃圾數(shù)據(jù)集，平均精度提升更顯著。

如圖7 所示，實(shí)時(shí)測(cè)試時(shí)將重標(biāo)記算法加入檢測(cè)模型后（圖7 下半部分），相較于較改進(jìn)前方法，在保持其他類別識(shí)別效果的同時(shí)，對(duì)數(shù)目較少的煙頭類別識(shí)別效果更優(yōu)。

4.4 消融實(shí)驗(yàn)

為了研究所提重標(biāo)記算法相較于baseline 中已有的多類別不平衡學(xué)習(xí)策略的提升效果，對(duì)無(wú)重標(biāo)記算法、重標(biāo)記算法與現(xiàn)有不同學(xué)習(xí)策略相結(jié)合的多種情況進(jìn)行比較實(shí)驗(yàn)。在不平衡因子分別為0.1、0.01 的垃圾數(shù)據(jù)集的各方面實(shí)驗(yàn)結(jié)果如表3、表4所示。

Table 3 Experimental results of different strategy combinations when the imbalance factor is 0.1表3 不平衡因子為0.1時(shí)不同策略組合實(shí)驗(yàn)結(jié)果（%）

Table 4 Experimental results of different strategy combinations when the imbalance factor is 0.01表4 不平衡因子為0.01時(shí)不同策略組合實(shí)驗(yàn)結(jié)果（%）

由表3、表4 可知，在不平衡因子為0.1、0.01 的垃圾數(shù)據(jù)集中，重標(biāo)記方法能結(jié)合baseline 中現(xiàn)有訓(xùn)練方法進(jìn)一步提升模型識(shí)別效果，相較于CE Loss+None 組合方式平均精度分別提升1.72%、9.56%，達(dá)到了88.37%、79.78%。實(shí)驗(yàn)表明，本文所提算法能應(yīng)用于現(xiàn)有多個(gè)不同類別的不平衡訓(xùn)練策略，可進(jìn)一步提升模型在長(zhǎng)尾垃圾數(shù)據(jù)集上的分類精度，當(dāng)直接采用重標(biāo)記算法且不采用其他訓(xùn)練策略時(shí)，垃圾分類精度最高。

此外，本文對(duì)算法中采用不同子類數(shù)劃分的方式進(jìn)行比較，以平衡因子為0.1 時(shí)為例，選取兩種不同子類劃分方式，分別對(duì)應(yīng)兩組子類數(shù)目的參數(shù)：①根據(jù)數(shù)據(jù)分布劃分，即按照每個(gè)類別的樣本數(shù)量占數(shù)據(jù)集的比例劃分，參數(shù)選取為［10，8，6，5，3，2，2，1，1，1］；②聚類分析劃分，即提前對(duì)數(shù)據(jù)集的每個(gè)類別進(jìn)行聚類操作，確定可劃分出的子類，參數(shù)選取為［5，3，2，2，1，1，1，1，1，1］，實(shí)驗(yàn)結(jié)果如表5所示。由此可見(jiàn)，重標(biāo)記算法在不結(jié)合其他baseline 方法時(shí)，采用數(shù)據(jù)分布劃分方式效果更好，分類精度最高；在結(jié)合其他baseline 方法后，采用聚類分析的劃分方式效果更好。

Table 5 Experimental results of different subclass classification methods when the imbalance factor is 0.1表5 不平衡因子為0.1時(shí)不同子類劃分方式實(shí)驗(yàn)結(jié)果（%）

5 結(jié)語(yǔ)

本文為解決人工分揀垃圾環(huán)境差、效率低及垃圾數(shù)據(jù)集類別不均衡分布對(duì)保潔機(jī)器人等計(jì)算設(shè)備，在垃圾分類識(shí)別時(shí)對(duì)識(shí)別效果產(chǎn)生的負(fù)面影響，提出一種針對(duì)數(shù)據(jù)樣本的重標(biāo)記算法與卷積神經(jīng)網(wǎng)絡(luò)分類模型相結(jié)合的策略完成垃圾數(shù)據(jù)分類任務(wù)，并能部署在保潔機(jī)器人等邊緣計(jì)算設(shè)備端。

該算法為每個(gè)類別生成多個(gè)子類和相對(duì)應(yīng)的偽標(biāo)簽，緩解了標(biāo)簽層面的數(shù)據(jù)不平衡問(wèn)題，在預(yù)測(cè)時(shí)通過(guò)標(biāo)簽映射將偽標(biāo)簽轉(zhuǎn)換為真實(shí)標(biāo)簽。實(shí)驗(yàn)表明，本文算法能顯著提升常用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)垃圾分類的泛化性和精確度，可進(jìn)一步提升邊緣計(jì)算設(shè)備垃圾分類任務(wù)的效率，實(shí)現(xiàn)了自動(dòng)化、智能化垃圾分類，有助于建設(shè)生態(tài)文明社會(huì)。