《表4 GoogLeNet网络各层测试准确率和损失值对比》

  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

《基于卷积神经网络的桥梁裂缝识别和测量方法》

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

3）针对桥梁裂缝，在利用经过RLH处理数据集对改进的GoogLeNet网络进行训练的过程中，发现GoogLeNet网络中的Accuracy2、Accuracy3（具体位置见图3）随时间变化的数值基本一样，Loss2、Loss3（具体位置见图3）的数值也相差不多。对比如表4所示，考虑到在第6个inception后裂缝识别的准确率和损失值已经达到完整网络的训练效果，那么可以去掉七层及以后的inception层以缩减训练时间。经后期分析，出现上述情况的原因是GoogLeNet模型是ILSVRC(ImageNet large Scale Recognition Challenge）竞赛中针对1 000种标签的分类模型，其中个别类别特征细节比较难提取，所以需要更多的inception层提取它的微小特征。裂缝纹理相对简单，所以到第6个inception层已经能够提取出它的特征。