《表1 使用不同卷积神经网络ODL的输出结果》

  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

《基于双层模型的宫廷服饰龙纹自动分割算法研究》

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

在NVIDIA GeForce GTX 1080上进行实验，使用平均精度均值（mean average precision，m AP）衡量目标检测精度，其中，动量为0.9，权重衰减为0.000 5。Faster R-CNN[16]使用ZF网络[29]和VGG-16网络[30]进行训练，学习率为0.001，交替训练的迭代次数为[40000，20000，40000，20000]，近似联合训练的迭代次数为20 000；R-FCN[17]使用不同深度的ResNets[31]进行训练，学习率为0.00 1，交替训练的迭代次数为[1000，1000，1000，1000，1000]，近似联合训练的迭代次数为2 000；YOLO[27]使用GoogLeNet[32]进行训练，前520次迭代学习率为0.001，520～16 000次为0.01，16 000～24 000次为0.001，24 000～32 000次为0.000 1；SSD300[28]使用VGG-16[30]进行训练，前10 000次迭代学习率设置为0.01，10 000～20 000次为0.001，20 000～40 000次为0.000 1。表1为实验结果，SSD模型平均精度可达90.6%，R-FCN模型（ResNet-101）使用近似联合训练方法所需训练时间比SSD300少66倍，且平均精度与其相近。图8为宫廷服饰数据测试集上使用R-FCN模型ODL输出的龙纹目标检测结果。