《表1 不同网络结构在数据集上实验结果》
根据图像可以看出,在本文数据集上,训练层数较少的卷积神经网络很快会达到过拟合,且loss与acc变化波动较大。CNN1结构在训练开始后,loss很快上升,出现了过拟合;在使用数据增强和dropout方法后,loss虽然变化较大,但整体呈下降趋势,性能有所提升,但还有继续提升的空间;在VGG16模型中,loss下降与f1-score提升过程较为稳定;在VGG16+seluCNN图像中,loss稳定下降,在第9轮左右下降趋势减弱,f1-score在第10轮左右上升趋势开始减弱。最终结果显示,本文提出的VGG16+seluCNN指标优于其它方法,相比VGG16 fine-tuning(微调)方法,f1-score提升了0.02,accuracy提升了0.14,证明了该方法的有效性。各组实验评价指标如表1所示。
图表编号 | XD00168921100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.15 |
作者 | 谢碧森、段清、刘俊晖、廖赟、张逸 |
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、云南大学软件学院、云南大学软件学院 |
更多格式 | 高清、无水印(增值服务) |