《表3 联动扩展和正交Softmax层对检测模型性能的影响》

  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

注:√和↑分别表示采用和升高。

通过对图14的分析发现，类激活显著性灰度图（图14b）是通过河蟹全局的像素点感知图像类别的。而由图14c可以看出，蟹螯部分的类激活强度很高，河蟹其他部分的类激活强度平稳。这表明模型主要是通过图像中蟹螯部分的像素点实现河蟹目标的分类，进一步验证了矩形框标记蟹螯做法的正确性。最后图14d验证了在经过扩展系数θ=1联动扩展后，参数量和FLOPs小一个数量级的情况下，Efficient Net主干模型可以更加显著地专注于更多目标的细节和更相关目标的图像区域。即便是相似的蟹腿也受到显著关注，这能够有效缓解活蟹不规则形状特征提取困难的问题。表3展示了联动扩展和正交Softmax层对检测模型的性能影响。通过对比表3中第2行和第6行数据发现，当全局整体联动扩展的复合因子ψ大于等于1时，检测器的精度检测指标都有约2%的提升。但也伴随着模型内存的增大以及检测时间的增加，不过这为具有不同有限资源的移动设备提供了灵活的选择需求。而考虑到自动投饵船的成本效益和资源限制情况，选择联动扩展程度最低的Efficient Net-B0和整体联动扩展复合因子最小的Efficient Net-Det0最合理，既适合投饵船移动端的需求又可获得较高的检测精度。最后对比表中数据发现，将检测器的分类层替换为正交Softmax层后，进一步增强了小样本网络的辨识能力。在仅需15 MB存储内存的情况下，检测模型Dc为95.53%。在普通配置的GPU和CPU上，单幅图像检测延迟分别仅为10.6、35.0 ms，能够满足水产养殖系统对现代设备平台处理频率（10 Hz）的实时需求。