《表3 不同类型金具在不同检测方法下的AP值》

  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

《结合KL散度和形状约束的Faster R-CNN典型金具检测方法》

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

图5为改进前后模型训练过程的损失收敛曲线，图5中虚线为调整参数后的Faster R-CNN模型实验结果中最优模型训练过程中由预测误差产生的损失值随迭代次数变化的曲线，实线为基于KL散度的Faster R-CNN模型对应的结果。其中，基于KL散度的Faster R-CNN金具检测模型中增加了输出边界框准确程度预测值的独立网络分支，同时基于KL散度的损失函数使模型在反向传播中还需要多计算一个偏导值，这都使得该模型网络参数和模型复杂度有一定程度的增大。此外，由图5还可以看出，在训练过程中，模型的收敛过程受到的负影响较小，模型的收敛速度和拟合平滑程度没有明显降低。