《表3 模型在不同学习率条件下的不同IOU阈值检测AP指标值状况》

  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

《基于深度卷积网络的葡萄簇检测与分割》

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

表3为Mask R-CNN与Cascade Mask R-CNN在以R50作为骨干网络在不同学习率条件下的检测AP指标值状况。试验结果表明，随着学习率大小的增加，不同IOU阈值的检测AP指标值出现先增加后减小的现象。Mask R-CNN-R50与Cascade Mask R-CNN-R50分别在LR等于0.02与0.025下各个IOU阈值AP指标值效果最佳。以Mask R-CNN-R50为例，在LR选取为0.02与LR为0.005相比在AP0.75指标上提升15.8%，即使在提升幅度不为明显的AP0.5指标上仍然能获得4%的性能提升。说明选用不用的学习率对于模型检测位置准确率具有一定影响，且学习率大小与检测精度间不存在正比关系，这是因为学习率主要用于训练过程中最优参数的迭代更新，选用较大的学习率可能会因为更新过大跳过模型的最优解，而选用较小的学习率可能使模型参数始终处于较小更新中，导致模型只获得局部最优解。