《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》

  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

《基于分离卷积的战场目标聚集行为识别》

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

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。