第17卷 智能系统学报 ·84· 表2本文网络参数设计 络模型在不同的东巴象形文字数据集上取得的识 Table 2 Network configurations of this paper 别效果不同，相较于其他3个文献所建立的数据 输出图像 集，本文建立的数据集采用3种相对应的网辂模 网络层 卷积核 尺寸大小/输出通道数 型都取得了最高的识别准确率，说明本文建立的 像素×像素 数据集在数据规模和数据质量上都是目前最好 输入层 64×64 的，也说明优秀的数据集可辅助提高深度学习模 3×3步长=1 卷积层 3×3步长-1 ×2 型的性能。 64×64 64 表4数据集先进性验证实验 最大池化 2×2步长=2 32×32 64 Table 4 Experiment of dataset advancement verification 3×3步长=1 卷积层 3×3步长=1 ×2 32×32 128 实验数据集 可识别东巴文字数测试模型识别准确率/% 文献8]数据集 956 ResNet18 85.6 最大池化 2×2步长=2 16×16 128 文献[9]数据集 200 VGGNet 95.8 3×3步长=1 卷积层 3×3步长-1 ×4 16×16 256 文献[10]数据集 536 ResNet20 93.58 最大池化 2×2步长=2 8×8 256 ResNet18 98.22 3×3步长=1 本文数据集 1387 VGGNet 98.34 卷积层 3×3步长=1 ×4 8×8 512 ResNet20 97.7 最大池化 2×2步长=2 4×4 512 3.3 3×3步长=1 本文识别算法的实验验证 卷积层 ×4 3×3步长=1 4×4 1024 根据东巴象形文字识别的特点，本文对Res 平均池化 4×4 Net模型进行了改进，提高了东巴象形文字的识 1×1 1024 别准确率。这里将验证本文网络模型改进的有效 全连接层softmax 性。通过将其与采用残差跳跃连接加传统池化方 表3数据集有效性验证实验 式以及无残差跳跃连接加最大池化方式的网络模 Table 3 Experiment of dataset validity verification 型进行消融实验。同时，将本文改进的网络模型 测试模型 识别准确率/% 与文献[8-10]中取得识别准确率最高的网络模型 ResNet18 98.22 以及ResNet.34进行对比实验，以验证其先进性。 ResNet34 98.01 所有实验在本文建立的数据集上进行。 3.31算法的有效性验证 VGGNet 98.34 为了验证本文改进ResNet模型的有效性，这 本文算法 98.65 里进行了改进前后的对比实验。将本文改进的网 从表3中可以看出，对于不同的网络模型，本 络模型（残差+最大池化）与残差加传统池化、无 文建立的东巴象形文字数据集都获得了高于 残差加最大池化3种网络模型进行识别效果对 98%的识别准确率，最高可达98.65%，这说明本 比，实验结果如表5所示。 文建立的东巴象形文字数据集是有效的，每个东 表5算法有效性验证实验 巴象形文字多达160多张书写各异的图片，其数 Table 5 Experiment of algorithm validity verification 据规模完全满足具体识别的要求。 测试模型 识别准确率% 3.2.2数据集先进性验证 残差+传统池化 98.11 文献[8-10]分别给出了3种东巴象形文字识 无残差+最大池化 97.64 别方法和与之对应的3个东巴象形文字数据集， 残差+最大池化 98.65 这里采用这3种识别方法在本文提出的数据集上 分别进行了识别准确率方面的对比实验。表4给 由表5可以看出，本文改进的残差跳跃连接 出了各个数据集能够识别的字数和不同模型在数 加最大池化下采样网络模型取得了最高的识别准 据集上进行识别的准确率。 确率，相较于残差跳跃连接加传统池化的网络模 从表4中可以看出，首先本文建立的数据集 型提高了0.54%；相较于无残差跳跃连接加最大 能够识别的东巴象形文字最多；其次，相同的网 池化下采样的网络模型提高了1.01%，从而验证表 2 本文网络参数设计 Table 2 Network configurations of this paper 网络层 卷积核 输出图像 尺寸大小/ 像素×像素 输出通道数 输入层 / 64×64 1 卷积层 [ 3×3步长=1 3×3步长=1 ] ×2 64×64 64 最大池化 2×2 步长=2 32×32 64 卷积层 [ 3×3步长=1 3×3步长=1 ] ×2 32×32 128 最大池化 2×2 步长=2 16×16 128 卷积层 [ 3×3步长=1 3×3步长=1 ] ×4 16×16 256 最大池化 2×2 步长=2 8×8 256 卷积层 [ 3×3步长=1 3×3步长=1 ] ×4 8×8 512 最大池化 2×2 步长=2 4×4 512 卷积层 [ 3×3步长=1 3×3步长=1 ] ×4 4×4 1 024 平均池化 4×4 1×1 1 024 全连接层 softmax 表 3 数据集有效性验证实验 Table 3 Experiment of dataset validity verification 测试模型 识别准确率/% ResNet18 98.22 ResNet34 98.01 VGGNet 98.34 本文算法 98.65 从表 3 中可以看出，对于不同的网络模型，本 文建立的东巴象形文字数据集都获得了高于 98% 的识别准确率，最高可达 98.65%，这说明本 文建立的东巴象形文字数据集是有效的，每个东 巴象形文字多达 160 多张书写各异的图片，其数 据规模完全满足具体识别的要求。 3.2.2 数据集先进性验证 文献 [8-10] 分别给出了 3 种东巴象形文字识 别方法和与之对应的 3 个东巴象形文字数据集， 这里采用这 3 种识别方法在本文提出的数据集上 分别进行了识别准确率方面的对比实验。表 4 给 出了各个数据集能够识别的字数和不同模型在数 据集上进行识别的准确率。 从表 4 中可以看出，首先本文建立的数据集 能够识别的东巴象形文字最多；其次，相同的网 络模型在不同的东巴象形文字数据集上取得的识 别效果不同，相较于其他 3 个文献所建立的数据 集，本文建立的数据集采用 3 种相对应的网络模 型都取得了最高的识别准确率，说明本文建立的 数据集在数据规模和数据质量上都是目前最好 的，也说明优秀的数据集可辅助提高深度学习模 型的性能。 表 4 数据集先进性验证实验 Table 4 Experiment of dataset advancement verification 实验数据集 可识别东巴文字数 测试模型 识别准确率/% 文献[8]数据集 956 ResNet18 85.6 文献[9]数据集 200 VGGNet 95.8 文献[10]数据集 536 ResNet20 93.58 本文数据集 1 387 ResNet18 98.22 VGGNet 98.34 ResNet20 97.7 3.3 本文识别算法的实验验证 根据东巴象形文字识别的特点，本文对 Res￾Net 模型进行了改进，提高了东巴象形文字的识 别准确率。这里将验证本文网络模型改进的有效 性。通过将其与采用残差跳跃连接加传统池化方 式以及无残差跳跃连接加最大池化方式的网络模 型进行消融实验。同时，将本文改进的网络模型 与文献 [8-10] 中取得识别准确率最高的网络模型 以及 ResNet34 进行对比实验，以验证其先进性。 所有实验在本文建立的数据集上进行。 3.3.1 算法的有效性验证 为了验证本文改进 ResNet 模型的有效性，这 里进行了改进前后的对比实验。将本文改进的网 络模型 (残差+最大池化) 与残差加传统池化、无 残差加最大池化 3 种网络模型进行识别效果对 比，实验结果如表 5 所示。 表 5 算法有效性验证实验 Table 5 Experiment of algorithm validity verification 测试模型 识别准确率/% 残差+传统池化 98.11 无残差+最大池化 97.64 残差+最大池化 98.65 由表 5 可以看出，本文改进的残差跳跃连接 加最大池化下采样网络模型取得了最高的识别准 确率，相较于残差跳跃连接加传统池化的网络模 型提高了 0.54%；相较于无残差跳跃连接加最大 池化下采样的网络模型提高了 1.01%，从而验证 第 17 卷 智 能 系 统 学 报 ·84·