《表1 不同模型在本文数据集上的识别效果对比》
实验利用了LeNet-5、AlexNet、VGG16模型与本文方法进行对比,因为棋子识别类别少,故减少了这些模型的全连接层,避免过拟合。由表1看出,本文方法在棋子识别准确率上明显高于传统的卷积神经网络,比AlexNet提高了近3%。模型使用全局池化代替了全连接层,大大减低了模型参数,模型占内存大小不足3 MB,比带全连接层的卷积模型更加轻量化。在加入注意力模块和可变性卷积后,模型准确率大大提升,和其他文献中的棋子识别方法对比,本文方法可以实现了更高的准确率。
图表编号 | XD00163574700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.10 |
作者 | 孔凡国、李智宗、刘庆、黄伟 |
绘制单位 | 五邑大学智能制造学部、五邑大学智能制造学部、深圳市圆梦精密技术研究院、深圳市圆梦精密技术研究院 |
更多格式 | 高清、无水印(增值服务) |