《表3 柑橘花朵识别模型中不同训练模式的性能差异对比》

  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

《基于实例分割的柑橘花朵识别及花量统计》

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

通过上述分析，以Res Ne Xt-50-FPN为卷积主干网络，以未知分类的掩膜计算法构建的实例分割网络具有最优化的平均精度、误差率和时间效率，因而本研究以此为训练目标，采用不同的训练模式进行训练，并对比分析生成的花朵识别模型性能。在模型结构上，区域推荐网络和网络头部拥有同样的卷积主干，因此可以进行特征共享。本试验对上述对照试验中的最优组合（Res Ne Xt50+class-agnostic mask）依次进行非共享特征的先后顺序分开训练（stage-wise training）和二者结合的端到端训练（end-to-end training）。结果如表3所示，端到端训练模型平均精度提高了0.5，误差率减少了0.6%，训练时间消耗减少了16.3%，在时间效率和识别精度上都有较大提升。由于该模式没有改变模型本身的结构，因此验证效率没有改变，仍为8 s。