《表1 不同方法的平均分类准确性(%)对比》
由图6可见,本文方法的ROC曲线下的区域面积比其他两个方法的面积大一些,这也证明本文方法的分类性能要高于其他算法.表1列出了NBNN,LI2C,Local NBNN[9],LDC(Linear Distance Coding)[10],SI2C(Saliency-aware Image to Class)[14]和本文方法在Scene-15和Caltech-101图像集上的平均分类准确性的情况.可以看出:NBNN的准确性最低;LI2C对图像到类距离上的权重进行学习,提高了图像分类的抗干扰能力;Local NBNN利用局部邻域图像特征到类的距离,加快了分类速度;LDC通过对图像到类的距离进行稀疏编码,增强其泛化能力;SI2C将视觉显著性应用于图像到类距离的计算,但在类内变化较大、背景复杂的情况下仍表现不好.本文通过构造一个适应能力强的距离评价函数作为弱分类器,并使用AdaBoost算法生成一个强分类器来获得更好的分类效果,本文方法在两个数据集上的分类准确率比SI2C都高出3%以上.
图表编号 | XD00135549900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.30 |
作者 | 李子龙、周勇、鲍蓉 |
绘制单位 | 徐州工程学院信电工程学院、中国矿业大学计算机科学与技术学院、江苏昂内斯电力科技股份有限公司博士后科研工作站、中国矿业大学计算机科学与技术学院、徐州工程学院信电工程学院 |
更多格式 | 高清、无水印(增值服务) |