《表3 不同准则下每次裁剪对应的测试集分类误差》
综上所述,本文选择策略三,按照表1所示对从混合场景样本迁移到A号单个相机场景样本后的最优网络模型进行九次剪枝,每次裁剪后对应的三分类准确率如表3所示,本文进行了基于卷积核L1范数和特征图L1范数裁剪准则的对比实验以及与特征图L2范数裁剪准则的对比实验。直观图如图4所示,列出了相关方式的对比结果。可以看出,特征图L1准则与卷积核L1准则确是两种不同的裁剪准则。同理,特征图L2准则与卷积核L2准则亦是如此。本文提出的方法能够较快地达到重新训练相对的识别效果保证高准确率,并且随着裁剪次数的增加,测试集误差整体呈缓慢上升趋势,但依照本文提出的特征图裁剪准则每次裁剪后的误差上升幅度较小,特征图L1裁剪准则比卷积核L1裁剪准则能够更加精确地辨别冗余的卷积核,L2裁剪准则亦如此。此外,在分类效果都较好的基础上,特征图L2裁剪准则整体效果要好于特征图L1裁剪准则,实验表明其是一种非常好的网络压缩准则。
图表编号 | XD002028700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.20 |
作者 | 沈悦 |
绘制单位 | 北京交通大学机械与电子控制工程学院、载运工具先进制造与测控技术教育部重点实验室(北京交通大学) |
更多格式 | 高清、无水印(增值服务) |