《表2 3种算法效果对比:基于全卷积神经网络的多尺度人脸检测》
笔者从数据集Wider Face上采集训练数据,该数据集有32 203个图像和392 703个人脸图像,这些图像的尺寸、光照、姿态等都不尽相同.随机选取其中的16 800张相片和16 688张图片分别作为正、负样本,再从数据集中随机选取8 384张相片作为测试所要的集合.在相同数据集下分别对VG-GNet、CaffeNet[17]、GoogleNet[18]进行训练测试.每个网络各训练30次,随着迭代次数的增加,模型的准确率逐渐稳定.由表2可以看出,在损失值上,VGGNet、CaffeNet、GoogleNet的训练损失值分别在0.004和0.14、0.006和0.7、0.004和0.65之间波动,测试损失值分别降低到0.032、0.033、0.041.在检测率上,VGGNet网络的训练准确率为99.22%,CaffeNet网络和GoogleNet网络的训练准确率分别为98.99%和98.81%,VGGNet网络的准确率要高于CaffeNet网络和GoogleNet网络.综上所述,VGGNet网络准确率高、结构复杂度一般、泛化能力强、损失值低,相同条件下训练时间将近减少一半,所以,笔者采用VGG网络.
图表编号 | XD00104683800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.25 |
作者 | 储慧敏、杨会成、张丽、潘玥 |
绘制单位 | 安徽工程大学电气工程学院、安徽工程大学电气工程学院、安徽华东广电技术研究所有限公司、安徽工程大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |