《表3 本文网络模型与经典网络模型对比》
图9为Res Net18模型训练的精度曲线,图10为G-Res Net18模型训练的精度曲线。从图中可以看出,G-Res Net18模型收敛更快,且识别精度比Res Net18精度提高了1%,最终测试正确率达到了89%。本文从识别精度和参数量两个方面对比了经典网络模型Res Net18、Res Net34、Res Net50和G-Res Net18在实验数据集下的表现,如表3所示。可以看出,本文的网络模型在保证模型性能的同时大大减少了参数量,与Res Net18相比,参数量减少了46%,识别精度提高了1%。实验结果表明,本文的网络模型对于小型生活垃圾数据集上的表现效果较好,幻象模块有助于减少网络的参数量。
图表编号 | XD00210371300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.10 |
作者 | 郑佑顺、林珊玲、林志贤、周雄图、郭太良 |
绘制单位 | 福州大学物理与信息工程学院、中国福建光电信息科学与技术创新实验室、中国福建光电信息科学与技术创新实验室、福州大学先进制造学院、福州大学物理与信息工程学院、中国福建光电信息科学与技术创新实验室、福州大学物理与信息工程学院、中国福建光电信息科学与技术创新实验室、福州大学物理与信息工程学院、中国福建光电信息科学与技术创新实验室 |
更多格式 | 高清、无水印(增值服务) |