《表2 基于CNN图像分类模型的ImageNet数据集错误率对比》

  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

《基于深度学习的图像分类研究综述》

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

注：val为validation的简写，表示验证集；test表示测试集

深度学习算法在MNIST、ImageNet数据库上的性能表现分别见表1、表2，对于有多个实验结果的方法，只选取了最优结果。通过观察表1可以发现，MLP算法相较于传统的k NN算法，可以学习到图像更多的特征信息，在图像分类任务上有明显的优势。AE算法则使用稀疏的高阶特征重新组合来重构输入数据，有效地编码图像数据，数据降维的同时提升了特征的提取效果，DBN算法在计算效率上跟传统神经网络相比有较大的改进。然而，卷积神经网络充分利用了图像二维空间邻域信息，使其在图像分类上性能遥遥领先于前述深度学习算法。表2中Top-1错误率代表所学习到的标签中预测概率最大的那一类不是正确类别的比率，Top-5错误率则代表所学习到的标签中预测概率最大的5个类别中不包含正确类别的比率，第4列测试集错误率，均为当年ILSVRC大赛上提交的集成网络测试集错误率，可见卷积神经网络在图像分类领域的发展尤为迅速，且尚有突破空间，故后续卷积神经网络的深入研究对图像分类领域非常重要。