《表2 Faster R-CNN检测结果》

  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

《基于知识蒸馏的轻量型浮游植物检测网络》

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

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.