《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》
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。
图表编号 | XD00204379800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.01 |
作者 | 王春山、周冀、吴华瑞、滕桂法、赵春江、李久熙 |
绘制单位 | 河北农业大学信息科学与技术学院、国家农业信息化工程技术研究中心、北京农业信息技术研究中心、河北省农业大数据重点实验室、河北农业大学信息科学与技术学院、国家农业信息化工程技术研究中心、北京农业信息技术研究中心、河北农业大学信息科学与技术学院、河北省农业大数据重点实验室、国家农业信息化工程技术研究中心、北京农业信息技术研究中心、河北农业大学机电工程学院 |
更多格式 | 高清、无水印(增值服务) |