《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》

  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

《面向图文匹配任务的多层次图像特征融合算法》

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

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。