《表1 Artificial＿CNN和Auto＿CNN模型增强数据前后平均识别率的对比》

  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

《基于自动学习的常用水字识别》

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

本文使用以往构建CNN模型的经验人工构建Artificial＿CNN模型和使用Auto-Keras自动搜索最优架构的Auto＿CNN模型进行对比，为了客观评价两种模型在数据增强前后的表现，两种模型训练和测试使用的数据集相同，并使用F1-score值作为每个类别的评价指标，由于测试类别数量的不均衡，使用F1-Weighted avg作为整个模型的评价指标。结果如表1所示。在未增强的训练数据上，我们使用Artificial＿CNN和Auto＿CNN模型各进行三次训练并在测试集上预测，然后将三次在测试集上预测得到的F1-Weighted avg值相加取平均值作为模型最终的识别准确率，分别取得了86.17%和88.21%的准确率。然后在增强的训练数据上2种模型同样进行三次训练取平均值得到了94.30%和90.72%的准确率。说明在样本量较少时使用数据增强可以提高模型的泛化能力，从而提高模型的识别准确率。而人工构建的CNN模型之所以达到了94.30%的准确率，主要是由于我们经过很长时间对网络结构、超参数进行调整，最终使得Artificial＿CNN模型达到了一个令人满意的结果。Auto＿CNN模型仅仅只是提供数据集便可以自动搜索构建识别水字的CNN模型从而得到90.72%平均识别率，足以看到自动搜索神经网络结构是可行的。