《表2 搜狐数据集中各种图像特征在图像推荐算法的对比实验》
为了直接对比由MLPfc,mixed9生成的融合图像特征(简称MLPfc,mixed9融合图像特征)、fc单层次特征和fc+mixed9多层次特征的推荐表现,本文在2.2节的图像推荐算法中分别使用了这三种图像特征来进行对比实验,实验结果如表2所示(其中,在图像推荐算法中采用fc单层次特征是本团队在2017搜狐图文匹配大赛中的做法,前两名团队的图像表征方法也是类似的)。根据在决赛400小型测试集的实验结果得出,fc+mixed9特征的recall@K表现相比于fc特征都稍有提高,其中recall@10表现有0.5的提升。证明多层次特征比单层次特征会有更好的推荐表现,但是由于其特征维度太高,含有大量对图文匹配任务而言是噪声的特征,所以表现提升不算太大。然而本文方法能够在图文匹配任务的学习目标指导下,有监督地对多层次图像特征进行融合和降维。因此,MLPfc,mixed9融合图像特征的recall@K表现相比于fc特征都有大量的提高,其中recall@10表现甚至有9.5的提升。显然,本文方法是有效的。为了进一步检验该方法在大型测试集中是否有效,在决赛20000完整测试集中也进行了实验,实验结果仍然在表2给出。从表2可以看出,因为推荐的搜索空间扩大了,所以完整测试集中的recall@K表现明显比小型测试集的要差。尽管如此,fc+mixed9特征的大部分recall@K表现还是相比于fc特征稍有提高。而MLPfc,mixed9融合图像特征的recall@K表现相比于fc特征则有更大的提升,其中recall@10表现有0.6的提升。因而,本文方法在大型测试集中也是有效的。
图表编号 | XD00133942600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.01 |
作者 | 郝志峰、李俊峰、蔡瑞初、温雯、王丽娟、黎伊婷 |
绘制单位 | 广东工业大学计算机学院、佛山科学技术学院数学与大数据学院、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、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) |