《表3 方案二实验数据：改进Multi-scale ResNet的蔬菜叶部病害识别》

  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

《改进Multi-scale ResNet的蔬菜叶部病害识别》

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

本研究采用的对照组网络分别为Res Net18、Res Net50、Alex Net、VGG16和Squeeze Net，其中对照组模型最终分类层均为15类。由表3可知本研究提出Multi-scale Res Net的模型整体大小比对照组的几种网络都小，在数据集1中验证集上最高识别准确率基本与VGG16持平，仅比Res Net18减少2%左右，在数据集2中测试集上的平均识别准确率仅比Res Net18减少3.72%，但是本模型尺寸比Res Net18尺寸缩小约35%，模型训练参数比Res Net18减少93%左右，显著的精简了模型尺寸。剩余几种对照组网络在模型大小和模型准确率方面都不及本网络，并且2个数据集上Multi-scale Res Net训练达到最高识别准确率所用时间仅比Squeeze Net慢。由图3可知，Multi-scale Res Net的准确率和参数量之间的差值，准确率与模型所占内存之间的差值在对照组中均为最大，由图4可知本网络在数据集1中训练集上损失值下降的过程十分平滑，在数据集2中训练集和验证集上损失值下降和准确率上升过程都较为平滑，没有出现大范围损失值震荡的现象，因此Multi-scale Res Net在兼顾了模型准确率的同时实现了模型的精简和压缩，为模型在硬件受限的场景下部署奠定了基础。