《表1 不同方法的平均分类准确性（%）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

《AdaBoost图像到类距离学习的图像分类方法》

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

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.