《表2 不同训测比之下ACA-深度迁移模型分类器分类效果》

  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

《基于迁移学习的木材缺陷近红外识别方法研究》

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

3种分类器总分类性能如图5所示。由表2～表4和图5可知，经过ACA领域自适应后的深度迁移硬木缺陷分类器有更好的泛化能力和分类精度。这是由于经过ACA领域自适应，模型学习了基于近红外光谱对应的树种间共性特征，并通过降维减少了大量的冗余信息而造成的。模型通过训练神经网络的超参数，将色木光谱与缺陷之间的分类知识迁移至柞木缺陷分类器中。这部分知识存在木材光谱与缺陷的通识知识，相当于为柞木缺陷分类器增加了一个自正则化项，提高了分类器的泛化能力和精度。而没有经过领域自适应的深度迁移模型，效果提升不明显。