《表2 Faster R-CNN检测结果》
本文的所有实验都是在浮游植物数据集上进行的.首先,本文使用知识蒸馏的方法,以ResNet34为教师网络,ResNet18为学生网络进行了知识蒸馏.未经蒸馏的网络(ResNet18)在浮游植物分类数据集上的分类准确率为97.1%,教师网络(ResNet34)的分类准确率为98.6%,进行知识蒸馏后的学生网络(KD ResNet18)分类准确率达到了98.2%,与未经蒸馏的网络(ResNet18)相比提升了1.1%.由此可见,学生网络在教师网络的监督训练下达到了更好的分类精度,而且与教师网络相比,学生网络的参数量只有教师网络的一半.未经蒸馏的网络(ResNet18),教师网络(ResNet34)和学生网络(KD ResNet18)的层数、参数总量(单位为M)、浮点运算数(floating point operations,FLOPs)和准确率如表1所示.之后,使用未经蒸馏的网络(ResNet18),蒸馏后的学生网络(KD ResNet18)和教师网络(ResNet34)分别作为Faster R-CNN的特征提取网络,在浮游植物检测数据集上进行训练和测试,检测结果见表2.本文使用不同交并比(intersection over union,IOU)值上的平均精度(average precision,AP)作为主要的评价指标,如果预测边界框与真实边界框的IOU高于0.50或0.75,则预测边界框正确.除有特殊说明,否则本文均采用Faster R-CNN的默认设置.
图表编号 | XD00177960800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.30 |
作者 | 张彤彤、董军宇、赵浩然、李琼、孙鑫 |
绘制单位 | 中国海洋大学信息科学与工程学院、中国海洋大学信息科学与工程学院、中国海洋大学信息科学与工程学院、中国海洋大学信息科学与工程学院、中国海洋大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |