2.3实验结果分析

本节将MobileNet系列和轻量化SqueezeNet以及经典的VGG16模型进行对比，具体结果如表3所示。

就模型的参数量来说，MobileNet系列模型的大小均只有10MB左右，SqueezeNet模型更是只有不到5MB，属于可部署于边缘端的轻量化模型（参数量小于30MB），而经典卷积神经网络模型VGG16的大小达到1000MB，不属于轻量化模型的范畴。从识别的精度上看，5个模型对于晴天的识别精度均达到95%，对于雾天样本的识别精度也在90%左右，对于雨天和镜头雨滴的情况，识别精度稍有所下降，除SqueezeNet以外，识别也达到85%以上。就综合精度而言，MobileNetV3-L的精度略高于MobileNetV2和MobileNetV3-S，比SqueezeNet更是高了10个百分点，这也符合卷积神经网络一般性的结论：结构更深，参数量更多的模型相对来说提取的特征表征能力更强，模型性能更优。同时，模型参数量越少，其计算速度也更快。四个轻量化模型的每秒识别帧数（frames Per Second，FPS）均大于30帧，满足实时性的要求。