《表3 文中方法与其他方法在Cars-196库上的对比结果》
为了验证文中设计的算法更加有效,该实验用Resnet18公开的Imagenet数据集预训练模型在Cars-196细粒度车型数据集上微调Resnet18原网络和根据文中思想改进后的奇异值分解卷积神经网络结合中心度量学习,网络均设置相同的batch_size,同时也同其他的方法进行了比较,实验结果如表3所示。文中方法使用了对全连接层的权重矩阵进行奇异值分解后重新赋值并微调,通过收紧和放松的迭代训练过程,可以去除具有相关性的冗余特征,学习到细粒度级别的区分性特征,结合分类损失和中心距离损失融合训练可以得到具有类聚性的特征,最终可以实现细粒度车型识别准确率的提高。实验表明该方法学习的特征更加有效,鲁棒性更好。
图表编号 | XD0078788300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.20 |
作者 | 蒋行国、万今朝、蔡晓东、李海鸥、曹艺 |
绘制单位 | 桂林电子科技大学信息与通信学院、桂林电子科技大学信息与通信学院、桂林电子科技大学信息与通信学院、桂林电子科技大学信息与通信学院、桂林电子科技大学信息与通信学院 |
更多格式 | 高清、无水印(增值服务) |