《表3 不同网络设计在CarSeries上的识别精度》

  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

《基于双通道模型的细粒度车型识别》

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

分析表3可知，对比OneNet＿Random和OneNet＿PreTrain可知，使用相似数据集上预训练的模型，通过微调，可将其中可用的知识迁移出来，从而在卡口车型数据集较小的时候，能大幅度提高车型识别的准确率，提升了近8%。对比OneNet＿PreTrain和DoubleNet的可知，显然度量损失函数可以帮助提高Softmax分类的效果，特别是在样本数据比较少的时候，提升了近2%。分析图5的图可知，由于OneNet＿Random的权重是随机初始化的，训练准确率随着时间线性增加，而验证准确率在第15个epoch时就开始达到最大值，开始上下波动，这也就意味数量小非常容易产生过拟合现象。对比OneNet＿PreTrain和DoubleNet的准确率曲线可知，DoubleNet的曲线波动比较平缓，而且准确率提升更高，说明度量损失函数可以帮助模型学习到更加泛化的特征。