《表1 不同网络结构在数据集上实验结果》

  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

《基于迁移学习的家猪图像识别研究》

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

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。