《表8 实验结果:全卷积神经网络仿真与迁移学习》
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。
图表编号 | XD0073053900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.01 |
作者 | 付鹏飞、许斌 |
绘制单位 | 泛亚汽车技术中心有限公司运营及工程规划部、泛亚汽车技术中心有限公司运营及工程规划部 |
更多格式 | 高清、无水印(增值服务) |