《表4 不同算法的F1值比较》
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.
图表编号 | XD00150207200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.01 |
作者 | 李新伟、徐良浩、杨艺、费树岷 |
绘制单位 | 河南理工大学电气工程与自动化学院、河南理工大学电气工程与自动化学院、河南理工大学电气工程与自动化学院、东南大学自动化学院 |
更多格式 | 高清、无水印(增值服务) |