《表1 不同λ和nhidden下FusionRNN测试结果Io U》

  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

《融合卷积神经网络和循环神经网络的车轮目标检测》

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

另外做了消融试验，以超参数λ和RNN隐藏层节点数nhidden为变量，探究其对模型测试结果的影响。表1为λ和nhidden变化时FusionRNN在WheelPro 2D测试集上识别车轮的准确率，即IoU的变化情况。可以看到nhidden的变化对IoU有一定作用，隐藏层节点数为32时，RNN训练负荷适中，测试时对车轮中心定位也最准确；nhidden=128时，由于车轮车身的样本内容简单，故节点数增加并不会加强模型识别能力；相反，nhidden=8时则节点数太少，不足以对相邻时刻输入向量间的依赖关系做出有效表征。而模型似乎对超参数λ不太敏感，当nhidden不变，λ在0至1之间变化对IoU影响不大。