《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》
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。
图表编号 | XD0086039700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.25 |
作者 | 王兴、康俊锋、刘学军、王美珍、张超 |
绘制单位 | 南京师范大学虚拟地理环境教育部重点实验室、江苏省地理信息资源开发与利用协同创新中心、江苏省地理环境演化国家重点实验室培育建设点、江西理工大学建筑与测绘工程学院、南京师范大学虚拟地理环境教育部重点实验室、江苏省地理信息资源开发与利用协同创新中心、江苏省地理环境演化国家重点实验室培育建设点、南京师范大学虚拟地理环境教育部重点实验室、江苏省地理信息资源开发与利用协同创新中心、江苏省地理环境演化国家重点实验室培育建设点、江西理工大学建筑与测绘工程学院 |
更多格式 | 高清、无水印(增值服务) |