《表2 SRCR-Net的变形方法在YTF数据集上的比较》

  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

《基于深度学习的动态人脸识别方法》

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

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。