《表1 识别结果:CNN在汽车识别中的应用研究》
图3中,“模型1”为卷积神经网络模型中加入BN层,“模型2”为未加入BN层的识别模型。图中两曲线的初始位置几乎重合,两模型的初始误差相同;大约经历40次迭代,加入BN层的识别模型的训练误差就已明显低于未加入BN层的训练误差;加入BN层模型的训练误差大约经历500次迭代,其训练误差就稳定的小于0.05,而未加入BN层的模型的训练误差稳定的小于0.05大约需要1100次迭代;经对比可知,加入BN层后,模型的收敛速度明显被加快,此外加入BN层后模型的收敛相对更加稳定。综上可知,文中在设计的识别模型中选择性的加入BN层是可行的,训练好的模型的汽车类型识别结果如表1所示。
图表编号 | XD0052850200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 刘斌、陈桂芬、董聪瀚 |
绘制单位 | 长春理工大学电子信息工程学院、长春理工大学电子信息工程学院、长春理工大学电子信息工程学院 |
更多格式 | 高清、无水印(增值服务) |