《表2 网络预训练与直接训练结果对比Tab.2 The comparison between network pre-training and direct training results》
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
《改进卷积神经网络算法在机械零件实时识别与定位中的应用》
为了测试本文算法的有效性,首先分别对网络预训练、多尺度训练、k-means维度聚类优化候选框等优化方法的效果进行测试,然后将本文算法与Faster R-CNN及YOLO v2算法的准确率和检测速度进行了对比。表2给出了网络预训练与直接采用标签数据集训练的结果对比,参数AP(Average Precision)表示平均准确率。可以看到本文的检测精测与直接使用标签数据集的检测精度相比有了一定的提高。图6是采用网络预训练和直接训练时,迭代次数与损失函数的关系。(a)为直接训练时,损失函数与迭代次数的关系,(b) 为采用网络预训练时,迭代次数与损失函数的关系。可以看到当迭代次数达到40 000次时,采用直接训练的方法,损失函数收敛到2.0,而采用网络预训练的方法,损失函数收敛到1.5左右。因此,采用预训练的算法能够使模型更快更好地收敛。训练时使用的输入图片大小为416*416,批处理尺寸为16。
图表编号 | XD0030163600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.01 |
作者 | 王乐、周庆华、王磊、蒋华胜、林思宇 |
绘制单位 | 长沙理工大学物理与电子科学学院、长沙理工大学物理与电子科学学院、长沙理工大学物理与电子科学学院、长沙理工大学物理与电子科学学院、长沙理工大学物理与电子科学学院 |
更多格式 | 高清、无水印(增值服务) |
查看“表2 网络预训练与直接训练结果对比Tab.2 The comparison between network pre-training and direct training results”的人还看了
- 表2 与常规神经网络对比结果Tab.2 The result of comparison between the method in this paper and conventional methods