《表1 Stanford Cars数据集测试结果》

  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

《改进Mask R-CNN的细粒度车型识别算法》

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

Stanford Cars作为细粒度识别常用数据集，近些年来不断出现新的算法刷新该数据集的识别准确率。在表1中列出了本文算法和其他方法识别准确率的比较。RA-CNN[8]用相互强化方式对判别区域和基于区域的特征表征进行递归式学习，以先期预测作为参考，实施由粗到细迭代生成判别区域，在不需要边界框的情况下进行端对端的学习，在Stanford Cars数据集上取得了92.5%的识别准确率。DVAN[9]以多样化的注意力机制来获取具有判别力的信息，通过产生多个注意力画布来提取卷积特征以获取注意力。将图像不同位置和尺度信息进行增量组合，建立了动态分类表示。最终取得了87.1%的准确率。WSDL[10]采用多路端到端的判别定位网络提高了分类速度，在不进行标注的情况下，通过多层次注意力引导定位学习，自动定位不同焦点的识别区域，将关注点集中在图像的不同特征上，提高了分类精度，并在该数据集上取得90.3%的准确率。NTS-Net[11]提出了一种无需人工标注的自监督机制，网络分为导航器、教师端、检查器三部分，导航器负责给候选区域打分，信息量大的分值高，教师端判断输入区域属于目标的概率，检测器是一个全连接层，将全局特征向量和局部特征向量连接到一起做最终决策，其识别准确率高达93.9%。