《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》

  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

《基于全卷积神经网络的多尺度人脸检测》

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

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.