《表2 基础特征提取网络结构》

  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

《设施农业典型地物改进Faster R-CNN识别方法》

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

使用残差网络作为基础特征提取网络，用于降低光照等环境因素对TOMA信息提取的干扰，提取影像中TOMA的深层特征。基础特征提取网络结构及参数如表2所示，残差单元结构如图5所示。每个残差单元的主径上有3个卷积层，分别按照1×1，3×3，1×1的顺序排列，前2个卷积层采用与上一层相同的卷积核，第3层卷积核数量翻倍。主径的首尾使用1×1的卷积核更便于特征图维度的升降操作。捷径上只有一个卷积层，直接将卷积核数量翻倍。主径和捷径使用加和融合相当于将深层和浅层的特征相融合，以此获取更有效的特征[23]。Relu是一种分段线性函数，用于正反向求导计算简单、不需要指数或者除法等操作，而且对于梯度弥散情况能够有效控制，在经过多级连乘计算后梯度也不会逐渐递减。Relu计算方法如式（1）所示，式中x为神经元的值。本文使用Relu层作为神经网络中的非线性单元以控制梯度弥散情况。