《表2 本文算法与相关算法结果比较》
为了验证本算法的有效性,将其与Prior++[8]、Crossing Nets[10]和PreView[12]算法进行比较。Prior++算法隐式地添加一种基于PCA的先验到网络中,形成类似瓶颈的结构,其本质可以认为是另一种低维隐空间表征方法,在NYU等数据库上均取得了较好的效果。Crossing Nets算法提出设计一个共享隐空间将两个深度产生式模型联系起来[12],和本文不同,其无监督学习部分采用自编码的方法。PreView算法采用两个视角的相机数据,以已知视角数据预测另一视角数据,在NYU数据库上和半监督学习算法中,结果为当前最优[10]。4种算法的对比结果如表2所示。
图表编号 | XD00100522900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.30 |
作者 | 况逸群、程洪、崔芳 |
绘制单位 | 电子科技大学机器人研究中心、电子科技大学机器人研究中心、电子科技大学机器人研究中心 |
更多格式 | 高清、无水印(增值服务) |