《表1 CIFAR-100数据集上本文方法的mAP(%)比较》
本文方法在CIFAR-100数据集上的实验结果见表1。表1中的基础网络NIN和ResNet-20的分类结果来源文献[16],其中,DNI和DNR分别是文献[16]中以NIN-3和ResNet-20为基础卷积神经网络模型搭建的双流卷积神经网络模型。从表1的实验结果可以观察到,本文的方法在NIN和ResNet-20两个网络模型上均取得了良好的性能。其中,在NIN网络模型上,本文的方法比文献[16]中的单个网络模型准确率提高了4.58%,比文献[16]中的双流NIN网络DNI准确率提高了1.73%。在ResNet-20网络模型上,本文的方法较文献[16]中单个网络模型提高了6.15%,比文献[16]中的双流网络DNR准确率提高了2.81%。并且,CIFAR-100数据集在本文提出的方法上均取得了较好的结果。实验结果表明,本文提出的三流卷积神经网络迭代训练和集成学习的算法能够充分完整地提取到图像的充分有效特征信息,使得图像分类性能有比较显著的提升。
图表编号 | XD00170281300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.16 |
作者 | 罗会兰、易慧 |
绘制单位 | 江西理工大学信息工程学院、江西理工大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |