《表3 几种方法实验结果对比 (a) 训练集与测试集精度》
从表3中看出SVM在训练时间与测试时间上均领先其它模型很多,但其在训练集与测试集上的准确率却非常低,并没有很好地提取出烟雾图片的特征。DNN与CNN虽然在训练时间上相对于SVM大大增加,但同时在训练集与测试集上的准确率也大大提高,这得益于深度人工神经网络自动提取特征的能力,不足之处在于DNN与CNN在测试集的表现上并没有达到在训练集上的水平,这说明两种模型均对数据产生了过拟合,这是由于乡村烟雾背景过于复杂且烟雾图片数量不足,这样就导致两种模型的泛化能力不足。TLBI在训练时间与测试时间上最长,这是由于Inception-v3本身比较复杂,权重参数比较多,在对TLBI网络训练之前需在Inception-v3上计算出烟雾图片的特征向量,这样就大大增加了训练与测试的时间,但这样也同样使得Inception-v3在ImageNet数据集上训练出来的优秀特征提取能力迁移到了TLBI上,所以其在训练集与测试集上的准确率均大大超过了其他模型,而且测试集与训练集的准确率差距非常小,说明模型的泛化能力十分优秀。最终的评分F1 Score也在四个模型中遥遥领先。
图表编号 | XD0043159400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.01 |
作者 | 韩超慧、马俊、吴文俊、陈佳 |
绘制单位 | 武汉纺织大学数学与计算机学院、武汉纺织大学数学与计算机学院、武汉纺织大学数学与计算机学院、武汉纺织大学数学与计算机学院 |
更多格式 | 高清、无水印(增值服务) |