《表1 不同语义结合和主流模型结果比较》

  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

《基于X-Linear和语义嵌入的视频描述算法》

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

由语义检测模型提取的视频语义特征可认为包含了视频中事物、场景以及关系信息，视频经过CNN图像分类器得到的最终1 000类的类别分布可认为是某种模式的语义信息，也是有助于语言解码的，因此本文送入解码器的语义特征si=[ti，ci]，其中ti表示语义检测网络提取的语义特征，ci表示CNN分类器得到语义特征。为了验证语义属性对模型解码的影响，本文尝试了几种不同的语义特征的组合模型：XLSNetno表示没有使用语义特征，XLSNett表示只是使用了语义检测网络提取的语义特征t，XLSNetc表示只使用了CNN分类器得到的类别分布语义特征c，XLSNets表示使用了两个语义特征。为了公平比较，四个模型的实验设置完全一样。表1显示了四个模型和其他现有流行的视频描述模型的结果比较。