《表2 检测器的训练超参数》

  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

《基于联动扩展神经网络的水下自由活蟹检测器研究》

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

检测模型的训练和测试硬件环境为Intel E5CPU，64 GB RAM，4 NVIDIA 1080 Ti GPUs，采用Python3编程语言和Py Torch深度学习框架实现。以图像为中心对高效活蟹检测器模型进行训练。检测器的各项训练超参数设置如表2所示，通过修改网络类别索引将检测器设置为仅保留河蟹类别的二分类检测模型。在训练过程中采用两种训练方式，一种是未做任何微调的直接训练，另一种是基于Pre-training和Fine-tuning的迁移训练。本文采用的迁移训练方式主要分为两阶段:第1阶段下载并加载Pre-training的权重，冻结主干网络训练；第2阶段冻结批归一化层，其余层开始训练。在第2阶段过程中，参数较大时依然可以冻结部分主干网络不让其全部参与训练。对河蟹检测器模型训练迭代了12 900次，这意味着将损失函数反向传播了12 900次，来调节网络各层的权值。训练损失值如图11所示，从图中可以明显观察到迁移训练的损失值相较于直接训练可以很快地趋于稳定的小值，并且损失值的毛刺波动较小。图12进一步证明了迁移学习能提高训练效率。最终本文采用迁移学习训练出了精确的检测器。