《表1 CIFAR-100数据集上本文方法的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

本文方法在CIFAR-100数据集上的实验结果见表1。表1中的基础网络NIN和ResNet-20的分类结果来源文献[16]，其中，DNI和DNR分别是文献[16]中以NIN-3和ResNet-20为基础卷积神经网络模型搭建的双流卷积神经网络模型。从表1的实验结果可以观察到，本文的方法在NIN和ResNet-20两个网络模型上均取得了良好的性能。其中，在NIN网络模型上，本文的方法比文献[16]中的单个网络模型准确率提高了4.58%，比文献[16]中的双流NIN网络DNI准确率提高了1.73%。在ResNet-20网络模型上，本文的方法较文献[16]中单个网络模型提高了6.15%，比文献[16]中的双流网络DNR准确率提高了2.81%。并且，CIFAR-100数据集在本文提出的方法上均取得了较好的结果。实验结果表明，本文提出的三流卷积神经网络迭代训练和集成学习的算法能够充分完整地提取到图像的充分有效特征信息，使得图像分类性能有比较显著的提升。