《表3 加权几何平均融合与Res Net训练集收敛性比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《自适应融合残差网在图像分类中应用研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

对图3数据进行均值处理作为模型收敛性评估标准，其结果如表3所示，加权几何平均在训练集的平均正确率为99.1%，要高于3×3卷积核Res Net子网93.7%，而单重3×3卷积核Res Net正确率仅为93.2%．在cifar100实验中，加权几何平均融合方式比Res Net单重网络高5.9%，而在cifar10实验中，训练集正确率增加幅度只有1.4%．这说明，本文算法对于类别数量较多、识别目标更加精细的cifar100数据集，收敛性增长更为明显．由于cifar100具有100分类，每一种类别的样本数变少，对于较少的训练样本，分类模型容易提取采样误差，却较难获取同类样本的共同特征，加权几何平均模型融合方式结合三个分支子网模型在不同神经元感受野范围下的特征，进行特征间融合与过滤，有利于模型提取同类样本有效特征，降低模型学习采样误差概率，对于整体样本具有更好的收敛性能．