《表5 实验结果对比:基于分离卷积的战场目标聚集行为识别》
从表5可以看出,从效率角度来看,效率最高的网络是Two-Stream SMF-Net(Ours),它的效率分别是C3D[3]、Two-Stream I3D、Two-Stream R(2+1)D[5]的2.5倍、13倍、19倍,比原始的Two-Stream MF-Net(Ours)网络提高了28!,这都归功于将多纤维模块中的3D卷积核拆分为分离卷积的形式,降低了计算复杂度;在准确率方面,与LSTM+CNN[3]相比,Two-Stream SMF-Net在准确率上提升了16.2!,主要原因是LSTM+CNN网络将时空特征完全分开提取,这导致网络无法捕获底层特征。因为CNN在下采样的过程中丢失了许多底层特征,而这些底层特征对于正确的行为识别具有至关重要的作用。与传统单通道网络C3D相比,Two-Stream SMF-Net在准确率上提升了13.1!。与双流网络相比,本文模型也有识别效果的提升,识别准确率分别比Two-Stream I3D、Two-Stream MF-Net提升了0.9!、1.7!。虽然Two-Stream SMF-Net的识别准确率低于同样采用分离卷积思想的R(2+1)D,但是R(2+1)D的计算量与参数量分别是Two-Stream SMF-Net的19倍、12倍。图7展示了不同算法之间的效率对比,其中圆的面积代表网络的参数量,面积越大参数量越大。
图表编号 | XD00130057400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.28 |
作者 | 姜海洋、卢庆林、牛超、秦蓁、李艾静、杨海涛 |
绘制单位 | 航天工程大学研究生院、航天工程大学研究生院、解放军32090部队、陆军工程大学通信工程学院、陆军工程大学通信工程学院、航天工程大学航天信息学院 |
更多格式 | 高清、无水印(增值服务) |