《表4 不同算法的F1值比较》

  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

《深度度量学习视频指纹算法》

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

为了进一步说明算法的优势，表4给出了所有算法的F1值.平均F1值表示所有失真类型对应F1值的平均值，总体F1值表示对于同一阈值下所有失真类别的F1值.从表4可知，在指纹长度为64 bit的情况下，本文算法所有失真类型的平均F1值达到了0.995，总体F1值得分达到了0.994，在6种对比算法中排名第1.相比CNN+LSTM和DML算法，总体F1值分别提升了0.030和0.023，平均F1值分别提升了0.016和0.027；而相比CNN-L算法，总体F1值提升了0.039，平均F1值提升了0.037.实验数据再次表明，本文设计的深度度量学习视频指纹算法在保持指纹编码紧凑的同时，其鲁棒性与独特性也都有明显提升，主要原因在于多特征融合3D残差网络对视频数据较强的表征能力和双损失函数的设计.