《表1:在UCF-101和HMDB-51验证集的精确度》
本文使用kinetics预训练模型对UCF-101和HMDB-51数据集进行迁移学习,图2为SE-ResNeXt-101和C3D网络模型在UCF-101数据验证集上进行实验的平均准确度曲线,观察不同网络模型的对比图可以得出,本文提出的网络模型相比原始的C3D模型在数据训练中可以提前2至3个周期达到最高的准确度,并且相比原始模型收敛速度更快,而且从最终准确度也比原始模型高出5个百分点左右,所以使用SE-ResNeXt网络能有效地对UCF-101数据集中的人体行为进行识别,并且有了一定的提升。图3为SE-ResNeXt-101和C3D网络模型在HMDB-51数据验证集上进行实验的平均准确度曲线,和在UCF-101数据集上相比大致相同,本文提出模型相比原始C3D提前1至2个周期达到最高的精确度,同时相比原始C3D模型也有着更快的模型收敛速度和更高的精度,但是由于HMDB-51数据集视频内容的不同来源和复杂性的问题,训练过程中准确度波动较大,但多次训练过后依旧保持相对稳定的状态,通过两个数据集的对比验证,更进一步证明了模型的鲁棒性和有效性。
图表编号 | XD00151234200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.15 |
作者 | 解怀奇、乐红兵 |
绘制单位 | 江南大学、江南大学 |
更多格式 | 高清、无水印(增值服务) |