《表2 不同网络模型在101_food上的性能》
从表2和表3中可以看出,传统网络和残差网络在两个数据集中都有较好的分类精度。传统的支路一网络整体的参数较小,训练的时间也相对较少;添加了残差结构的支路二整体参数与支路一的参数大致相同,多加一步短接过程增加了整个网络的计算量,导致训练所耗时间稍微加长,精度与传统CNN相比有所提高。而级联网络由于结合两条支路的特征所得出的分类精度比两条支路中的任意一条都要高,但是也因为网络加宽而参数加大(相当于两条支路参数相加关系),整个实验耗时也有所增加。随着计算机硬件的提升,网络改进带来的参数增加而导致训练时间加长的问题,轻易得到解决,所以在提高一定准确率的前提下,训练时间的改变对整个网络增益没有大的影响。
图表编号 | XD0029962300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.01 |
作者 | 潘兵、曾上游、杨远飞、周悦、冯燕燕 |
绘制单位 | 广西师范大学电子工程学院、广西师范大学电子工程学院、广西师范大学电子工程学院、广西师范大学电子工程学院、广西师范大学电子工程学院 |
更多格式 | 高清、无水印(增值服务) |