《表1 改进前后模型复杂度》

  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Faster R-CNN的自然场景文字检测算法》

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

本文在相同的实验环境和相同的实验平台下，在2种数据集上进行测试，然后与目前较为流行的模型结果作对比。经过不断地调整参数训练网络模型，由于改进后的网络较深，学习参数很多，生成模型巨大，如果使用在移动设备会很麻烦，同时模型过大导致识别速度有所降低，为了避免这个问题，本文在生成的较大模型基础上进行模型压缩，采用剪枝方法能够将较大模型中保存的权值较小的边去掉，神经元个数会减低很多，然后再次训练剪枝后的小模型直到最后达到较好的实验结果。剪枝处理的优点是不改变模型结构，是训练阶段的一种优化方法[29-30]。表1是本文改进后的模型与改进前模型Faster RCNN的模型复杂度对比。