《表2 不同方法下的融合质量对比》
如表3所示,本文方法网络的参数量是ResNet50网络的1/21,模式大小是ResNet50的1/204,运行速度加快了约4倍。由此可以看出,本文方法较ResNet50方法在融合效率上有较大的提升,在融合效果近似的情况下实现了高效的图像融合。SqueezeNet网络在参数量设置、模型尺寸、运行时间都具备了轻量级的神经网络的特性,运行时间满足移动和嵌入式设备上的基础要求。
图表编号 | XD00134491600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.10 |
作者 | 王继霄、李阳、王家宝、苗壮、张洋硕 |
绘制单位 | 陆军工程大学指挥控制工程学院、陆军工程大学指挥控制工程学院、陆军工程大学指挥控制工程学院、陆军工程大学指挥控制工程学院、陆军工程大学指挥控制工程学院 |
更多格式 | 高清、无水印(增值服务) |