《表3 各网络训练集（TR）及测试集（TE）测试结果》

  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Faster RCNN的生活垃圾智能识别》

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

网络训练过程的epoch平均损失曲线及各训练步骤在测试集上的mAP见图5，从中可以看出：收敛趋势正确，其中按照收敛性从大到小排序依次为Res101、VGG-16、MobileNet＿v1，且Res101优势明显，这主要得益于残差结构更易于学习，网络深度更深；MobileNet＿v1网络深度与VGG-16相当，但可分离卷积会损失图像通道信息，导致收敛性较差。网络收敛值越小，一般精度越高，此处因为数据集规模偏小，Res101与VGG-16的差异未反映出来。综合图5各训练步骤在测试集上的mAP，可以看出困难样本增强训练（训练步骤2）、特异层微调（训练步骤4）有效提升了网络识别精度。各网络检测结果见表3，对比测试集与训练集数据，可认为不存在明显的过拟合现象；测试集及训练集中各类别AP较为均衡，可认为数据集在经过数据增强后实现了较好的类别均衡性。此外，从检测速度来看，MobileNet＿v1检测速度优势明显。