《表3 不同特征层的对比(%)》

  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

《一种鲁棒的离线笔迹鉴别方法》

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

此外，我们探讨了不同特征层提取特征的表现能力.在实验中分别提取了全局池化层与全连接层的特征作为局部特征，实验结果如表3所示.结果显示:全连接层提取的特征仅Soft top-1指标比全局池化层提取的特征表现差，在其他的指标中都有更加优异的表现.这主要归因于:1)全连接层提取的特征对前面层的特征进一步的抽象成为高阶的描述特征，更能全局地描述输入图像的特点；2)分类层以全连接层的特征作为分类的依据，分类层所产生的损失将直接作用于全连接层，使得全连接层更能体现分类信息.在此基础上，我们对提取的特征数做了进一步的探讨，分别对128，512，1 024，2 048个特征数目进行了实验.实验表明，当取512个特征数时，模型具有更好的表现，并且模型所需的训练时间与检索时间也相对较短，结果如表4所示.