《表3 不同条件下BCIGM对训练速度的影响》
DCGAN与BCIGM生成裂缝的可视化对比如图6所示,对应实验1的结果。ReLU与SeLU生成裂缝的可视化对比如图7所示,对应为实验2的结果。表3为实验3的结果。通过观察实验1的2组图像可以看出,原DCGAN模型生成的裂缝图像网格现象严重,且学习到第16个Epoch时才初步出现条状裂缝特征,而所提出的BCIGM最后生成的裂缝图像清晰,基本无网格现象,与真实采集到的裂缝图像相似度极高,并且第3个epoch就出现了连接的线性裂缝特征。通过观察实验2可以看出,采用ReLU激活函数的BCIGM在第3个epoch时仅出现了不连续的黑色裂缝点,而采用SeLU激活函数的BCIGM出现了连续的裂缝雏形,除此之外,最后生成的裂缝图像也更加清晰,更符合实际场景下拍摄的裂缝图像,更重要的是提高了模型的稳定性,在测试期间没有出现任何一次模型崩塌现象。通过观察表3可以看出增加了1×1卷积核以后的BCIGM训练速度变快,虽然每个batch提升速度不多,但当训练数据集庞大,epoch增加时,仍然可以极大地缩短计算时间。
图表编号 | XD0034842500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.03.25 |
作者 | 李良福、孙瑞赟 |
绘制单位 | 陕西师范大学计算机科学学院、陕西师范大学计算机科学学院 |
更多格式 | 高清、无水印(增值服务) |