《表3 训练参数:基于深度学习的水位线检测算法》
CNN非常适合于计算机视觉任务,然而需要大量的高质量的数据标注。本文使用了训练前数据增强及训练中二次数据增强两种策略,然而,对于ResNet50这样规模的CNN网络而言,训练数据依然是远远不足的。迁移学习[20]是解决深度学习训练过程中数据饥饿问题的常用方法。本文研究以ResNet50在ImageNet上的训练结果作为预训练权重,在网络初始化时加载ResNet50预训练权重中除分类网络部分的相关权重参数。使用该预训练权重可以极大地加快网络的收敛并提高网络的泛化能力。训练使用参数及损失下降曲线如表3和图7。
图表编号 | XD00163225200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.10 |
作者 | 廖赟、段清、刘俊晖、周豪 |
绘制单位 | 云南大学软件学院、云南大学软件学院、云南大学软件学院、云南省览易网络科技有限公司 |
更多格式 | 高清、无水印(增值服务) |