《表5 变化学习率的Faster R-CNN Res Net101-moreanchors检测效果(AP)》
学习率(Learning rate)作为深度学习中的重要超参,其决定着目标函数能收敛到局部最小值以及何时收敛到最小值.当学习率设置的过小时,收敛过程将变得十分缓慢;当学习率设置的过大时,梯度可能会在最小值附近来回震荡,甚至可能无法收敛.若固定学习率,则当到达收敛状态时,会在最优值附近一个较大的区域内摆动;而当随着迭代轮次的增加而减小学习率,会使得收敛时,在最优值附近一个更小的区域内摆动.因此,选择一个合适的学习率,对于模型的训练将至关重要.本文方法在训练初始设置学习率为0.001,使模型能快速收敛,在训练第二阶段迭代次数在40000~60000时降低学习率到0.0001,之后将学习率降至0.00001使目标函数能稳定收敛至局部最小值.从表5可以看出,通过变化学习率训练,检测效果进一步得到提升,mAP达到了0.9664,尤其在重经重纬上的提升明显,在实验的测试集中表现较好,提升了0.09以上,mAP值达到了1.0.不过本文方法对于斑点和折痕还有欠缺,仅有0.88左右,未能达到0.95以上,还有待提高.
图表编号 | XD00141270100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.01 |
作者 | 陈康、朱威、任振峰、郑雅羽 |
绘制单位 | 浙江工业大学信息工程学院、浙江工业大学信息工程学院、浙江省嵌入式系统联合重点实验室、浙江工业大学信息工程学院、浙江工业大学信息工程学院、浙江省嵌入式系统联合重点实验室 |
更多格式 | 高清、无水印(增值服务) |