《表2 SRCR-Net的变形方法在YTF数据集上的比较》
同时,使用控制变量法对SRCR-Net与其衍生的变形方法在YTF数据集的准确性Acc、AUC和F1的比较结果见表2,加粗数据表示结果最好。从表2中可以得出使用数据扩充平衡训练数据能提高2.41%的Acc,0.94%的AUC值和6.45%的F1值,说明模型训练时平衡训练数据能有效提升模型性能;从表2中也可以看出损失函数L1在跟踪目标回归时比L2的效果好,由此也可以验证L1对数据的敏感性较弱,跟适合人脸跟踪,提高动态人脸识别的鲁棒性;另外,从表2中可以看出增加LSTM层后并不一定适合动态人脸识别问题,增加LSTM层后结果反而变差。本文的SRCR-Net方法是进行了训练数据扩充,回归损失函数采用L1和只有一层LSTM层,通过表2知道,本文的SRCR-Net在与其变形方法的比较中表现最好。
图表编号 | XD00111173000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.16 |
作者 | 何元烈、刘峰、孙盛 |
绘制单位 | 广东工业大学计算机学院、广东工业大学计算机学院、广东工业大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |