《表1 不同算法在LFW500与LFW500+noise数据集的测试结果比较》

  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

《基于子空间聚类的视频人脸数据自动标注》

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

首先使用中心损失模型提取人脸特征，并在LFW500和LFW500+noise数据集上比较K-means算法，实验结果如表1的第2、3行所示：当没有噪声时，数据集的ID数量已知，F1度量得分0.93，K-means算法可以起到不错的效果；当噪声加入后，将噪声看作一类（k=501)，F1度量得分0.81，K-means算法效果下降明显，这是噪声数据在特征空间的分布情况未知，不能准确估计噪声的类别数造成的。然后使用改进k近邻算法划分子空间，实验结果如表1的第5行所示，在每个子空间内按照“简单正样本、难正样本、噪声”的分类标准令k=3，F1度量得分0.91，说明子空间K-means可以更有效地处理噪声数据。最后对比基于中心损失模型的人脸特征与基于softmax模型的人脸特征在子空间K-means算法上的效果，实验结果如表1的4、5行所示，基于中心损失模型的人脸特征表现出更强的鲁棒性。