数学问题在工程

研究文章

使用改进的面具R-CNN快速车辆和行人检测

表4

实验数据。


Backbone_class	红外系统+ resnet101_81	红外系统+ resnet86_81	红外系统+ resnet50_81	红外系统+ resnet101_3	红外系统+ resnet86_3	红外系统+ resnet50_3

Epoch_steps	160年_1000	160年_1000	160年_1000	160年_1000	160年_1000	160年_1000
总参数	64158584	58549624	45088120	63744170	58135210	44673706
可训练的参数	64047096	58453496	45028856	63632682	58039082	44614442
失败	130205828	118834293	91542609	129377924	118006389	90714705
Memory_size	257.6米	235.0米	180.9米	255.9米	233.3米	179.2米
Train_time	27.98 h	21.77 h	18.25	23.02 h	20.43 h	18.73 h
Test_avg_time (M4,952)	2.14秒	2.014秒	1.39秒	2.10秒	1.97秒	1.36秒

第一行是识别的网络结构和类别。例如,红外系统+ resnet101_81使用resnet - 101红外系统残余网络识别81种。第二行表明,所有网络结构训练160∗1000 = 160000次。Memory_size指内存后网络结构的重量训练。Train_time指每个网络结构所花费的时间训练。总参数和可训练的参数表示的总内存参数和训练内存参数,分别的网络结构。浮点运算(失败)表示的浮点数操作对于每个网络结构,即量的计算。Test_avg_time (M4952)指的是平均时间为每个网络结构测试4952张照片。Min_train_loss指160000年后减肥训练的最小值为每个网络结构。