《表1 深度学习特征提取网络模型结构参数》

  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

《基于深度学习的苹果树侧视图果实识别》

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

深度学习模型泛化能力取决于影像特征提取的丰富性与多样性，不同的特征提取网络对模型的鲁棒性以及学习能力均有影响。该文分别选用VGG16[15]和ResNet50[16]作为苹果树侧面图苹果特征提取网络模型。VGG16是由13层卷积层、13层ReLU激活函数和4层池化层组成的深度网络，其网络的深度决定了它能够学习图中的多种深层次信息。ResNet50由8个部分构成，涵盖了卷积层、最大池化层、4个残差网络模块、平均池化层和全连接层。深度卷积网络模型训练误差升高的原因是网络越深，梯度消失的现象就越明显，所以在后向传播的时候，无法有效把梯度更新到前面的网络层，靠前的网络层参数无法更新，导致训练和测试效果变差[16]。因此，为解决深层网络的梯度消失问题，ResNet的4个残差网络模块中增加了1个恒等映射（Identity Mapping），即把当前输出直接传输给下一层网络，同时在后向传播过程中，也是将下一层网络的梯度直接传递给上一层网络。2个特征提取网络具体参数如表1所示。