（1）尝试初始参数设置
参数训练接纳 SGD 优化算法，接纳余弦退火战略动态调整进修率，接纳 CIoU Loss做为丧失函数，尝试中超参数的设定根据算法默认参数，详细如表 1 所示。
（2）绘造 Loss 曲线
从上图中能够看出，三个收集在迭代 50 次之后，Loss 起头处于平缓下降的阶段，在 300 次迭代下，Loss 下降至 0.03 摆布，若是继续增大迭代次数，根据Loss 曲线所示的开展趋向，丧失还能够进一步下降。那里也申明了增大迭代次数能够降低丧失函数，同时进步检测效果。值得留意的是，CA 收集在一起头训练时存在着所有数据均为 0 的情况，一种可能的解释为：因为降低通道数使 CA 收集变得不不变，而给训练带来了不确定性。并且一起头 CA 收集的丧失不断处于较高的形态，在 20 次迭代后才起头快速下降。比照那三个 Loss 曲线，CBAM 收集丧失优于 BaseLine 和 CA，从上图可看出 CBAM 收集的收敛速度优于 CA 收集。
（3）尝试数据阐发
尝试成果如下表所示。能够看出，切确率方面，CA 留意力机造模块相较于BaseLine 提拔了 0.7%，CBAM 留意力机造模块相较于 BaseLine 提拔了 0.8%，得到更好的切确率 96.6%；mAP 方面，CBAM 获得了更高值，达 97.7%。由此能够得出：CBAM 留意力机造优于 CA 留意力机造。
（4）性能测试
为了进一步验证差别留意力机造模块的现实检测效果，别离用 BaseLine、BaseLine+CBAM 和 BaseLine+CA 组合生成的更佳权重文件别离对验证数据集中的1806 张照片停止了测试。测试成果如下图所示。
微信公家号：人工智能感知信息处置算法研究院
知乎主页：AI高级人工智能