《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》

  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

《基于深度学习的变电站巡检机器人道路场景识别》

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。