《表1 在SLVM数据集上的方法比较》
/%
表1将本文的方法和在SLVM数据集上已公开的最佳方法进行了对比,结果表明,本文的方法相比3DCNN[20]模型具有极大的优势:首先,3DCNN通过卷积操作共享网络层参数,在有效降低网络参数量的同时,有效地对图像序列的局部、甚至是整体的空间特征信息进行有效提取;Bi-ConvLSTM不但具有传统长短时记忆网络的自适应记忆和抗遗忘的能力,在进行时间序列学习时更加关注图像序列的空间信息。因此本文提出的模型相比之前SLVM数据集的最佳识别正确率模型有质的提升。同时可以发现,当选择使用Re LU激活函数时,网络具有更强的泛化能力,而使用L2正则化也可以在一定程度上避免过拟合现象。
图表编号 | XD003918900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 梁智杰、廖盛斌 |
绘制单位 | 华中师范大学国家数字化学习工程技术研究中心、西南科技大学计算机科学与技术学院、华中师范大学国家数字化学习工程技术研究中心 |
更多格式 | 高清、无水印(增值服务) |