《表1 Alexnet,GoogLenet,VGG19与MV-PearlNet分类结果对比》
文中所有深度模型使用Tensorflow深度库来实现,并在NVIDIA Tesla K40c GPU上进行训练.实验通过随机梯度下降(Stochastic Gradient Descent,SGD)进行端到端的训练,批量大小(Batchsize)对于SGD方法很重要,值太小的话可能导致模型不会收敛,值太大则会耗尽内存,通过结合GPU的运算能力,最终设置为20,优化器选择动量优化器(Momentum Optimizer),学习率为0.05,动量为0.9,衰减为0.9,epsilon为0.1.卷积核权重采用符合均值为0,标准差为0.01的高斯分布来初始化,偏置值都初始化为0.1.网络训练过程中,实验的迭代次数为43000,每迭代10000次,学习率衰减为原来的1/2.该实验共设计了3组对比实验,通过对比AlexNet、GoogLenet和VGG19 3种模型与M V-PearlNet的分类准确度来验证方案的正确性.AlexNet、GoogLenet、VGG19和M V-PearlNet在测试数据上的正确率如表1中呈现.同时为了验证MV-Pearl Net的有效性,每个模型增加了一组将多视图图像全部作为训练集输入单一卷积网络中的实验(如表1中“同时输入”一列表示).图4、图5分别显示训练阶段的损失变化趋势和验证集上准确率的变化趋势.
图表编号 | XD00212243800 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.01 |
作者 | 钱涛、熊晖、陈晋音 |
绘制单位 | 浙江工业大学信息工程学院、浙江工业大学信息工程学院、浙江工业大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |