《表3 在5个人脸数据集上不同方法的准确率对比结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《非贪婪的鲁棒性度量学习算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。