《表4 部分训练步数模型准确度测试结果》

  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

《基于深度迁移学习的图像分类研究》

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

现结合深度卷积神经网络图像分类在气象观测行业中的实际应用案例进行分析。在我国，使用3×10×29的方法对云的图像进行分类，即3个族、10个属和29个小类。例如，卷积云、层云、毛卷云等。经过云图信息收集，进行标准化处理，建立标准化数据库，并对数据集分类，然后搭建网络模型，对观测实验的结果进行客观分析。现将混合模型迁移学习图像分类融入到实验当中，迁移学习能够保存之前训练的各个步骤和成果，保留卷积层以及池化层中产生的各种具体数据。从表4中的数据可以看出，经迁移学习训练后，在步数不断增加的情况下，部分训练步数模型测试准确度得到了提高，而步数持续增加最终使测试准确度出现了下降趋势。在步数达到7000时，测试准确度最高。所以使用迁移学习对CNN模型进行优化后，预测集的准确程度可达到97.8%。可见基于深度学习混合模型的迁移学习图像分类方法能够实现气象观测中更好的云层分类效果，给气象观测行业的发展带来新的技术动力。除了气象观测行业之外，迁移学习图像分类还可被用在水泥回转窑烧成状态分析、医疗影像、化学成分分析等工作当中，带来更优的图像分类方式。