《表2 各主流方法与本文方法的mAP（%）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

《基于迭代训练和集成学习的图像分类方法》

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

表2所示的是本文方法与当前一些主流方法[8，10-13，16]在CIFAR-100数据集上的分类性能的比较。其中文献[8]利用多层感知卷积层来替代传统卷积网络层，本文的方法较文献[8]中的方法提高了10.92%。文献[10]对卷积网络模型的隐藏层进一步运用监督学习的方法来获得充分有效的图像特征信息，实验结果得到的准确率为65.43%，本文的方法较文献[10]中的方法提高了9.81%。文献[11]提出了一个自适应分段线性激活函数，并利用该激活函数来替换卷积神经网络中的Softmax函数，进行图像特征提取。本文的方法较文献[11]中的方法提高了9.64%。文献[12]通过将卷积神经网络层数较多的深度CNN添加到两级类别层次结构中来获取图像充分有效的特征信息，使用粗类别图像分类器来得到图像特征信息简单的简单图像类别，精细类别分类器来获取图像特征多而复杂的图像类别，并且通过运用粗类别图像分类器与精细类别分类器相结合的方法，得到的图像分类准确率为67.38%，本文的方法较文献[12]中的方法提高了7.86%。文献[13]提出深度决策网络DDN，得到的图像分类准确率为68.35%，本文的方法较文献[13]中的方法提高了6.89%。本文方法在ResNet-20方法的图像分类准确率分别比文献[16]中的DNI，DNR提高了5.48%，2.81%。由表2实验结果可以看出，本文方法相较于当前一些数据集在不同卷积神经网络模型上的方法准确率均有一定提升，具有较好的分类性能。