Effect of transfer learning on the performance of VGGNet-16 and ResNet-50 for the classification of organic and residual waste

残差神经网络 学习迁移 残余物 深度学习 计算机科学 人工智能 废弃物 F1得分 环境科学 机器学习 废物管理 工程类 算法
作者
Fangfang Wu,Hao Lin
出处
期刊:Frontiers in Environmental Science 卷期号:10 被引量:6
标识
DOI:10.3389/fenvs.2022.1043843
摘要

It is crucial to realize the municipal solid waste (MSW) classification in terms of its treatments and disposals. Deep learning used for the classification of residual waste and wet waste from MSW was considered as a promising method. While few studies reported using the method of deep learning with transfer learning to classify organic waste and residual waste. Thus, this study aims to discuss the effect of the transfer learning on the performance of different deep learning structures, VGGNet-16 and ResNet-50, for the classification of organic waste and residual waste, which were compared in terms of the training time, confusion matric, accuracy, precision, and recall. In addition, the algorithms of PCA and t-SNE were also adopted to compare the representation extracted from the last layer of various deep learning models. Results indicated that transfer learning could shorten the training time and the training time of various deep learning follows this order: VGGNet-16 (402 s) > VGGNet-16 with TL (272 s) > ResNet-50 (238 s) > ResNet-50 with TL (223 s). Compared with the method of PAC, waste representations were better separated from high dimension to low dimension by t-SNE. The values of organic waste in terms of F1 score follows this order: ResNet-50 with transfer learning (97.8%) > VGGNet-16 with transfer learning (97.1%) > VGGNet-16 (95.0%) > ResNet-50 (92.5%).Therefore, the best performance for the classification of organic and residual waste was ResNet-50 with transfer learning, followed by VGGNet-16 with transfer learning and VGGNet-16, and ResNet-50 in terms of accuracy, precision, recall, and F1 score.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
与我常在完成签到,获得积分10
刚刚
ewan2018完成签到,获得积分10
1秒前
小李完成签到,获得积分10
2秒前
2秒前
ZeradesY完成签到,获得积分10
3秒前
HS完成签到 ,获得积分10
3秒前
xiao完成签到,获得积分10
3秒前
Marybaby完成签到,获得积分10
4秒前
荆月竹发布了新的文献求助10
4秒前
叶子完成签到,获得积分10
5秒前
热心的陈三完成签到,获得积分10
5秒前
DZQ完成签到,获得积分10
7秒前
研友_8DA7DL发布了新的文献求助10
7秒前
杨冰完成签到,获得积分10
7秒前
暴躁的嘉懿完成签到,获得积分10
9秒前
激流勇进wb完成签到 ,获得积分10
10秒前
斯文败类应助荆月竹采纳,获得10
11秒前
阮阮完成签到,获得积分10
12秒前
加减乘除完成签到,获得积分10
12秒前
catyew完成签到 ,获得积分10
12秒前
共享精神应助小豪号采纳,获得10
12秒前
共享精神应助史子轩采纳,获得10
12秒前
ff完成签到,获得积分10
12秒前
平凡中的限量版完成签到,获得积分10
12秒前
乐乐应助郝宝真采纳,获得10
14秒前
李健的小迷弟应助lxf448采纳,获得10
14秒前
yecheng完成签到,获得积分10
15秒前
问问问完成签到,获得积分10
15秒前
科研通AI2S应助Apple采纳,获得10
15秒前
胖小羊完成签到,获得积分10
15秒前
芈冖完成签到,获得积分10
16秒前
唯美完成签到,获得积分10
17秒前
小二郎应助动人的cc采纳,获得10
17秒前
结实的元灵完成签到,获得积分10
17秒前
爱看文献的七七完成签到,获得积分20
17秒前
小怪兽完成签到,获得积分10
18秒前
19秒前
ntxiaohu完成签到,获得积分10
20秒前
乐观银耳汤完成签到,获得积分10
20秒前
荆月竹完成签到,获得积分10
20秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
A Dissection Guide & Atlas to the Rabbit 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3134083
求助须知:如何正确求助?哪些是违规求助? 2784918
关于积分的说明 7769341
捐赠科研通 2440444
什么是DOI,文献DOI怎么找? 1297415
科研通“疑难数据库(出版商)”最低求助积分说明 624959
版权声明 600792