《表2 优化残差网络与其余网络比较》

  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

《基于改进残差网络的红枣缺陷检测分类方法研究》

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

由表2可知，验证集的Kappa系数也反映出不使用残差学习的CNN网络识别准确率提高不明显，是因为网络传播中节点间信息流动出现学习特征丢失。将分别使用softmax loss和center loss损失函数的模型进行比较，可看出使用center loss损失函数，模型识别缺陷准确率略高，主要是因为center loss有效解决了softmax分类在类内间距上较大的缺点，使网络学习得到的特征不仅能有效分类，而且尽量满足了同类特征相互间间距较小的要求。采用激活函数SELU和损失函数center loss的模型对三类枣的分类准确率高于其余分类模型，说明该模型在多分类问题上具有更好的泛化能力。