《表8 实验结果：全卷积神经网络仿真与迁移学习》

  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

《全卷积神经网络仿真与迁移学习》

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8可以看出，精简之后的全卷积网络（前面6个模型），依然达到了较高的检测精度，从CIFAR-100数据集的检测结果显示完全不比一些复杂的结构差太多。至2014年由VGG开始提出的观点，CNN网络越深对检测结果越有利，在避免梯度消失的情况下，整个深度学习的研究方向是朝着更深网络结构前进。诚然随着网络加深，检测的结果也随之提升，但是庞大网络需要耗费大量的计算资源，训练时间和检测速度回会变慢，这对于嵌入式的移植往往是不利的。采用论文[2]的方法，发现一些精简的模型也能带来不错的效果，为嵌入式移植提供了另外一种思路。虽然笔者实际仿真后的结论和论文[2]中的结论有一些微小的差距，其检测精度比参考论文中的结论稍微低一点，但总体很接近，详情可以参看表8。有可能笔者还需要在超参数选择、初始权重设置等方面需要多做尝试和优化。All-CNN-C基于CIFAR-100子数据1和子数据集2的检测结果优于论文[2]中的结果。考虑到CIFAR-100中子数据集1和子数据集2相比论文中的全部CIFAR-100数据要小得多，所以不太适合直接进行比较。