《表1 CaffeNet优化前后网络参数》

  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

《基于目标跟踪与深度学习的视频火焰识别方法》

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

首先，网络中的crop＿size为227×227。在Caffe的训练过程中，训练和验证同时进行。test＿iter值设置为260代表每1000次迭代计算一次误差，batch＿size设置为16，即每次迭代的图像数是batch＿size×crop＿size=16×1000=16 000。每一个迭代过程，所有的训练数据集都将通过网络训练一次。在solover.prototxt中，迭代的最大次数为max＿iteration=50 000，因此epoch=50 000/1 000=50。当初始学习率base＿lr=0.01时，训练中loss值不会下降，甚至在一定的值停止，通过调整base＿lr参数来解决这个问题。在本实验中，将base＿lr设置为0.001，lr＿policy设置为step，Gamma=γ=0.1，stepsize=20 000。根据Step学习策略，学习速率的衰减时间与step有关，衰减程度与“γ”有关。例如，当设置step=500，base＿lr=0.0001，Gamma=0.1时，达到第一次500迭代次数时，学习率将开始衰减。衰减后的学习率为a=a×γ=0.000 1×0.1=10-5。即step表示学习速率的衰减步长，“γ”表示衰减因子。优化后的网络训练参数见表1。