《表4 输电塔分类网络参数设置》

  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

《利用卷积神经网络对GF-3输电塔的检测与分类》

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

其中训练集和测试集瓦片数目的比例为6∶4。利用输电塔分类模块中的6层卷积神经网络模型在RAD-GFEP数据集上进行训练。模型输入的初始瓦片大小为512像素×512像素，根据数据规格和规模的大小，分类网络具体参数设置如表4所示。每个卷积层后都增加一个最大值池化层，它们能够减少模型参数数量，并且避免过拟合现象。在分类算法中对原始数据集采用镜像、平移、缩放等增广策略以提高多样性，增强模型泛化能力。此外，在训练过程中及时关注损失函数值与精度值变化，在模型达到较好收敛条件下采用提早结束的训练策略。这些训练策略的综合使用能够加快参数调整过程，防止模型过拟合现象的发生。模型优化算法采用自适应优化方法（Adam），这种方法可以使模型收敛的更快，损失值更小[23]。