《表1 优化网络结果对比：基于改进Fast-SCNN的塑瓶气泡缺陷实时分割算法》

  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Fast-SCNN的塑瓶气泡缺陷实时分割算法》

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

为了验证本文所提改进Fast-SCNN的有效性与可行性，对比三组不同的Fast-SCNN改进网络，三组改进网络如下：1）二级浅层特征Fast-SCNN(Both Shallow Feature Fast-SCNN，BSF Fast-SCNN）。考虑到原网络在全局特征提取并融合浅层特征后直接上采样8倍，在一定程度忽略网络的细节信息，故将网络下采样1/4后的特征添加进网络的后继预测层之前，使网络在预测时上采样为4倍。2）三级浅层特征Fast-SCNN(Three Shallow Feature Fast-SCNN，TSF Fast-SCNN）。在BSF Fast-SCNN的基础上对金字塔池化后的上采样4倍改为2倍，同时在下采样到1/8后继续下采样到1/16，并添加两次特征融合，其网络结构图为图2(b）去除SELayer模块后所示。3）四级融合SElayer浅特征Fast-SCNN(Four SELayer Shallow Feature Fast-SCNN，FSSF Fast-SCNN）。将网络下采样1/2的特征添加进改进Fast-SCNN，同时在网络上采样为1/2特征时融合SELayer特征。在气泡训练数据集上对原始Fast-SCNN网络、改进Fast-SCNN与上述三个改进网络（BSF Fast-SCNN、TSF Fast-SCNN、FSSF Fast-SCNN）进行实验，其中网络的超参数为：输入图片尺寸为320×450像素，学习率为0.001，训练轮数为96。在605张测试图片上得到如表1所示的分割性能。