《表4 基于ResNet-152的花卉二类判别结果》

  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

《基于残差网络迁移学习的花卉识别系统》

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

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。