《表7 与其他模型的对比(%)》
实验结果如图4所示.当训练步数达到35步之后,DLS-CNN的识别率基本稳定,Top-1的最高识别率为95.8%,Top-5的最高识别率达到99.9%.此外,由于前20步的学习率较大,使得模型不易收敛并且未找到较好的局部最优点,在20步后将学习率缩小5倍,模型相对比较稳定,在30步之后进一步将学习率缩小2倍,模型慢慢收敛并趋于稳定.具体结果如图4所示,图4(a)表示Top-1的识别率,图4(b)表示Top-5的识别率.与当前在CVL数据集获得识别率效果最好的算法的相比,DLS-CNN仅以一个256尺度大小的像素块在Top-5的识别率相较于其他基于1整张笔迹材料的Top-5识别率从99.8%提升到99.9%,取得当前最高的识别率,如表7所示.但我们的方法在Top-1评估指标上的表现不理想,原因在于我们的方法对粗笔所写的笔迹材料不能提取比较有效的特征对其进行更好地识别.实验表明,DLS-CNN能够以很少量的笔迹信息对笔迹进行较准确地识别,体现了DLS-CNN能在笔迹识别任务中具有较强的鲁棒性与泛化能力.
图表编号 | XD00135238600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.01 |
作者 | 陈使明、王以松 |
绘制单位 | 贵州大学计算机科学与技术学院、贵州大学计算机科学与技术学院、贵州省智能医学影像分析与精准诊断重点实验室 |
更多格式 | 高清、无水印(增值服务) |