《表1 损失函数比较:基于DenseNet的单目图像深度估计》
Berhu函数以c作为界限,在大于c时以L2损失函数工作,保证梯度迅速下降,在小于c时以L1损失函数工作,保证预测值与真实值相近时也能保持一定的梯度下降速度。本文将c设定为 ,并对k分别取\n\t\t\t\t\t进行尝试,在k取\n\t\t\t\t\t时获得了最好输出结果[6]。同时,本文在模型中分别尝试了Berhu、L2以及Eigen等人定义的损失函数,对比结果如表1所示。其中,Eigen等人定义的损失函数如式4所示。从对比结果可以看出,Berhu损失函数有效地提高了预测精度。
图表编号 | XD0036345800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.25 |
作者 | 何通能、尤加庚、陈德富 |
绘制单位 | 浙江工业大学信息工程学院、浙江工业大学信息工程学院、浙江工业大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |