《表5 变化学习率的Faster R-CNN Res Net101-moreanchors检测效果(AP)》

  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

《基于深度残差网络的布匹疵点检测方法》

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

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．