《表1 ShuffleNet与本文提出方法的比较》
本文实验中λ=1,K=10。网络加入这种相似性先验知识之后可以有效加速收敛速度与分类准确率,从表1中的A2可以看到加入相似性知识后网络分类准确率明显提高。因为CNN学习到的特征更加多元化,不至于像使用one hot标签一样,分类的概率分布会不断趋向于单一类,所以CNN学习到的特征也会变得单一,无法学到相似类的特征。文献[3]通过使用混淆矩阵的方式对相似类进行合并,从而解决场景识别中类间相似性问题,但求混淆矩阵的算法很复杂,而且此时深度学习模型也无法实现端到端。文献[13]也使用网络输出作为先验知识加入到student模型中,但它并没有使用相似类筛选。文献[13]提出的方法其实是本文提出的相似类知识的一个特例,即K为数据集分类数。在MIT Indoor67上对这两种方法做了对比,即在上文提出的网络结构相同的基础上,分别设置K=10与K=67。K=10时分类准确率为75.9%,K=67时分类准确率为73.1%。在本文提出的网络结构的基础上,加入本文相似类先验知识要比加入文献[13]中所提出的知识,在场景识别上能获得更高的分类准确率。
图表编号 | XD00122847800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.16 |
作者 | 黄凯凯、余万里、陆黎明 |
绘制单位 | 上海师范大学信息与机电工程学院、上海师范大学信息与机电工程学院、上海师范大学信息与机电工程学院 |
更多格式 | 高清、无水印(增值服务) |