《表3 几种方法实验结果对比 (a) 训练集与测试集精度》

  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

《基于深度迁移学习的烟雾图像检测》

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

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。