《表3 裁剪模型对比:基于深度学习的变电站巡检机器人道路场景识别》
从表2可以看出,不同融合位置的测试结果差别相对较小,其中pool 345层融合后再与unpooling2融合的测试Io U精度最高,达到60.8%,但同时也可以看出模型相对较大且推理时间较长。因此,本文对融合网络进行了裁剪后在NVIDIA Jetson TX2平台上进行测试,并与文献[8]中的SegNet-basic模型进行对比,测试对比结果如表3所示。根据实验结果可以看出,裁剪后的模型在识别精度上有一定的下降,但同时也极大地降低了网络推理时间及参数数量。图3中显示了不同网络模型在CamVid测试数据集上的分割结果。
图表编号 | XD0069462300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.08 |
作者 | 刘明春、张葛祥、黄占鳌、鲜开义、黄志伟 |
绘制单位 | 西南交通大学电气工程学院、西南交通大学电气工程学院、西南科技大学制造科学与工程学院、北京全路通信信号研究设计院集团有限公司成都分公司 |
更多格式 | 高清、无水印(增值服务) |