《表4 几种典型主干网络训练参数》
基于深度卷积网络的图像分类是当前图像分类任务中主流的解决方案。遗憾的是,深度卷积网络一般需要大量训练样本用于学习超参数并拟合训练集合的特征空间。在本文所需要的小样本学习的场景下,深度卷积网络可能并不适用。本文将所提出方法与当前典型的几种主干网络进行了对比,包括AlexNet,VGG16,ResNet18和Inception_V3。卷积网络训练的关键参数如表4所示。其他共同参数保持一致,如权值衰减系数为0.000 5;动量为0.9;每迭代2.5万次学习率下降90%;参数初始化为ImageNet上预训练模型参数。表4中“Batch”表示每次迭代时输入的一组数据中包含的图像张数。特别地,在ResNet18和Inception_V3网络的训练过程中采用了组归一化层(Batch Normalization Layer)以提高稳定性。网络训练采用PyTorch框架实现,并使用2块GPU(型号:GTX1080Ti)进行卷积运算加速。
图表编号 | XD0096178600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.15 |
作者 | 朱磊、张小虎、吴谨 |
绘制单位 | 武汉科技大学信息科学与工程学院、武汉科技大学信息科学与工程学院、武汉科技大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |