《表3 在5个人脸数据集上不同方法的准确率对比结果》
注:加粗字体表示每列最优结果;“—”表示准确率低于60%,不予报告。
5个人脸数据集的实验结果如表3所示,在实验的噪声环境下,MFA-L2/L1方法优于其他方法。在MFA-L2/L1、LDA-NgL1、MFA-NgL1和LDA-L1几个迭代算法中,LDA-L1的性能较差,原因在于该方法属于贪婪式方法,采用逐向量求解算法使得该方法性能较不稳定。该现象从另一层面上验证了非贪婪方法的优势。对比LDA-NgL1、MFA-NgL1与MFA的差异,发现前两者并没有太大的优势,说明仅采用L1损失刻画类内散度和类间散度并未充分提升方法的判别性。DNS方法性能不佳的原因在于数据集的零空间有限使得其表达能力有限。KISSME方法由于在全局空间学习度量矩阵,未着重突出有效的低维结构,使得其性能也表现不佳,这一缺点也在Liao等人(2015)的文献中有所印证。对比不同的模型和方法,验证了MFA-L2/L1方法利用不同的损失刻画类内散度和类间散度,在实验的噪声数据上具有一定的鲁棒性和有效性。
图表编号 | XD00159732300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.16 |
作者 | 曾凡霞、张文生 |
绘制单位 | 中国科学院自动化研究所、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |