《表4 微调网络对模型性能的影响》

  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Double-D算法的舌像检测》

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

设计3种不同的网络冻结条件，以此来探索迁移学习微调的网络层对模型检测性能的影响。条件一冻结了最后3层输出层之前的网络；条件二冻结了特征提取网络；条件三则对整个网络逐层进行微调，同实验6。从表4中可以看出，条件一到条件三的情况下模型的检测性能稳步提升，并且条件三的表现性能是所有条件下最好的，精准率为97.56%，特异度为98.75%，召回率为92.93%。研究结果表明，微调网络层数对模型的性能确实有一定的影响，应用迁移学习训练Double-D模型时，冻结的网络层数越多模型的检测性能越差，说明对于样本数据不平衡的情况，底层网络提取的基本特征不一定适合所有的图像，这就需要尽可能多地微调网络层以得到更好的检测效果。