《表5 消融实融：一种基于Boosting的差分互补卷积网络》

  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

《一种基于Boosting的差分互补卷积网络》

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

为了进一步探讨不同分组数的差分互补卷积对基线模型的准确率的影响。消融实验中采用的差分互补卷积具有两种消融模式，分别是全复杂度模式和保留复杂度模式。全复杂度模式具体为在增加分组数时设置只改变维度s，从而直接增加模型的参数量进行测试，而对于保留复杂度测试，则是通过在增加分组数的同时调整第二维度W进行参数的控制，维持相似的参数量。所有消融实验均在Cifar100上进行，同时为了保证对比公平，选择Res2Net作为基准模型。表3显示了在不同实验配置下的CIFAR-100测试准确性和模型尺寸。从增加复杂度下的结果可以看出，随着分组的增加，DCNet可以稳定而可靠地获得收益。特别是，s=4的性能从Res2Net的80.62%增加到DCNet的81.27%。而保留复杂度的结果可以看出，尽管网络参数量的减少导致了Top-1准确率的下降，但是相比于Res2Net，在相同的分组数仍高出，表明了网络的有效性和稳定性，从实验结果中观察到在分组数为6，8的时候性能增益不明显，分析认为是CIFAR100数据集中的图像太小，分组数过多无法补充更细致的信息以生成更多的多尺度特征组合。