《表4 实验结果比较表:基于卷积神经网络和概念格的图像语义完备标注》
表4中部分算法数据来源于其对应的文献.通过表4可以看出,与传统的标签传播算法相比,准确率和召回率有显著提升,本文方法在准确率和召回率上分别达到40%、51%,与文献[21]相比,本文方法利用深度学习网络摒弃复杂的特征融合,利用大数据集辅助特征学习迁移微调网络,有更强的区分效果,准确率提高了13%.同时通过与Muti-Label CNN算法比较的实验结果可以看出,虽然准确率相差不大,但进行语义扩展改善后的算法比多标签排序策略的深度卷积神经网络的召回率提高了16%,改进效果明显.这是由于当待标注图像Ii与训练集Ij视觉相似度越高时,图像Ij与Ii拥有的共同标签数越多,标签贡献值越大,支持度更高;由于图像集Ik是根据图像底层特征搜索降序而得,并且同时考虑了底层特征与高层语义的相似性,兼顾近邻语义对标注结果的影响,从而避免某些标签过少或过多,改善标注结果,丰富图像的语义内容.
图表编号 | XD00157819900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.01 |
作者 | 李雯莉、张素兰、张继福、胡立华 |
绘制单位 | 太原科技大学计算机科学与技术学院、太原科技大学计算机科学与技术学院、太原科技大学计算机科学与技术学院、太原科技大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |