《表3 两种微调策略平均准确率比较》
使用两种微调策略对网络进行微调,并从头开始执行检索方法,表3总结了两种微调策略在不同的条件下执行检索的结果。从表3中可以看出ft2经过大量数据微调网络参数获得的模型执行检索效果显著优于ft1,在类别未知(Class Agnostic Spatial Reranking,CA-SR)的条件下提取图像和区域特征并采用查询扩展方法执行检索结果显著优于原始VGG16Faster R-CNN模型提取的特征,在Oxford数据集上提高15%mAP,在Paris数据集上提高6%mAP。在类别已知(Class Specific Spatial Reranking,CS-SR)的条件下ft2策略在两个数据集上执行检索结果也显著优于原始VGG16Faster R-CNN提取的特征,在Oxford数据集上相对CA-SR提高2%mAP,在Paris数据集上与CA-SR持平。实验结果表明通过ft2策略微调网络模型并结合文章提出的图像和区域特征聚合以及两阶段查询扩展方法使得系统已经有足够的判别力能够正确的检索这两个数据集中的对象,从表中数据显示可知CS-SR+QE检索图像是最有益的。
图表编号 | XD0035201300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.01 |
作者 | 李振东、钟勇、陶攀、陈蔓 |
绘制单位 | 中国科学院成都计算机应用研究所、中国科学院大学、中国科学院成都计算机应用研究所、中国科学院大学、中国科学院成都计算机应用研究所、中国科学院大学、中国科学院成都计算机应用研究所、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |