《表4 基于ResNet-152的花卉二类判别结果》
实验4花卉二类判别。在系统实际运行过程中,一般要先判别输入图像是否具有花卉信息,以减少分类出错导致用户体验降低。本文以ResNet152的迁移学习为工具,对网络进行重训练,以构造花卉判别模型。其中正样本是从包含人工标定的花卉样本随机挑选90%(230 814张花卉图像),而负样本则从imageNet的非花卉样本中每类随机挑选300张图片(共约291 300张非花卉图像);验证集则包含了剩余10%的标定花卉图像(25 546张),非花卉验证图像同样来自于imageNet非花样本,共约126 137张。测试集则分别来自:Pos1,牛津花卉随机样本(8 189张);Pos2,手机拍摄花卉(2 237张);Neg1,oxford建筑库(4 500张);Neg2,99相册用户上传图片(1 410张);GYDR,观叶和多肉植物(979张)。如表4所示,从实验结果中可以看出,当分类阈值为0.5时,所有正样本的判别错误率小于8%,而负样本的错误率小于13%。特别是针对用户上传的非多肉植物图片重,负样本分类正确率大于93%。可以看出,阈值0.5在正负样本准确率的权衡中可以取得较好的结果。因此,在上线发布的系统中,采用0.5作为判别图片中是否有花卉的依据。
图表编号 | XD0035426800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.01 |
作者 | 关胤 |
绘制单位 | 网龙网络控股有限公司大数据与人工智能实验室 |
更多格式 | 高清、无水印(增值服务) |