摘要
为解决当前生活垃圾分类领域数据集存在的图像质量不高、类别分布不均衡的问题,提出一种基于改进DCGAN数据增强的垃圾图像生成方法EW_DCGAN。首先重新设计DCGAN的网络结构,将生成器输出图像的大小调整至128×128像素;其次将损失函数BCE Loss替换为具有Wasserstein距离的损失函数,引入梯度惩罚项提升模型判别器的鉴别能力;最后在模型生成器中加入ECA注意力机制,使其能较好地应对图像中无效信息的干扰,进而高效提取有用特征。实验表明,使用EW_DCGAN生成的图像质量较高,FID值相较于仅使用DCGAN生成的图像下降明显,能扩充、增强垃圾分类领域数据集。基于迁移学习的ResNet、MobileNet、EfficientNet神经网络在增强前、后的数据集上的比较发现,模型的准确率相较于原始数据集分别提升7.09%、5.34%、4.8%。