《表2 不同卷积核算法性能》
在相同的数据集构型上,引入不同大小的分解与未分解卷积核进行对比试验,试验数据如表2所示。由表2可知,从总体上看,使用分解卷积核的模型训练速度与识别精度高于使用未分解卷积核的模型;算法的训练时间与识别精度随着卷积核的增大而增大。这是因为使用非对称的分解卷积核进行卷积运算,其计算量远小于未分解卷积核;同时,对卷积核的分解加深了网络的层数,使得数据的维度提升较为平缓,避免了表达瓶颈的出现,提高了计算速度,降低了误差,训练速度与精度均得到了提升。此外,不同大小的卷积核对不同特征的学习能力不同:小卷积核对细粒度特征响应充分,提取的纹理特征信息更丰富;较大尺寸卷积核易于提取整体信息(如颜色与轮廓特征)。对于背景复杂的油茶果图像,需要对各类特征进行综合学习。为了在保证识别精度的前提下尽量提高训练速度,将卷积核尺寸确定为3*3的分解卷积核。
图表编号 | XD0054563000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.25 |
作者 | 张习之、李立君 |
绘制单位 | 中南林业科技大学机电工程学院、中南林业科技大学机电工程学院 |
更多格式 | 高清、无水印(增值服务) |