《表3 应用不同Dropout Ratio的准确率》
为了解决过拟合的问题,避免模型学习一些毫无相关性的特征,采用了Dropout方法。从表3可以发现,在卷积层和池化层分别设置Dropout Ratio为0.90后,准确率相比之前最好的93.33%有了0.89%的提升。然后,保持卷积层Dropout Ratio的数值不变,不断减小池化层Dropout Ratio的数值,当池化层Dropout Ratio降到0.40后,相比之前的结果变得更差,所以,取它的上一个结果,即池化层Dropout Ratio的值为0.50。同理,保持池化层Dropout Ratio为0.50,不断改变卷积层的Dropout Ratio的值,最终,取最好的结果,即卷积层Dropout Ratio为0.75,池化层Dropout Ratio为0.50。本文提出的TSR_Lenet模型获得了一个非常好的效果,准确率达到了99.56%。与同领域其他文献的方法相比,本文提出的TSR_Lenet模型要优于这些文献所提出的方法。根据表4,本文提出的TSR_Lenet方法在类别Danger,Prohibitory上优于文献[14]、文献[16]的MH NN和文献[18]中提出的方法,与文献[15]、文献[16]MH AL和文献[17]中提出的方法持平;在类别Mandatory上也获得了接近最好的结果,与文献[17]方法相比较低了1.19%。
图表编号 | XD00112649200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.15 |
作者 | 郭志涛、雷瑶、袁金丽、史龙云 |
绘制单位 | 河北工业大学电子信息工程学院、河北工业大学电子信息工程学院、河北工业大学电子信息工程学院、河北工业大学电子信息工程学院 |
更多格式 | 高清、无水印(增值服务) |