《表3 Stanford Dogs数据集上的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

因为CIFAR-100(32×32）数据集比CaffeNet(227×227）和VGGNet(224×224）两个网络模型的输入尺寸要小很多，如果增大CIFAR-100中的图像尺寸，会导致图像模糊不清，在一定程度上给实验结果带来影响。所以，本文选择了另外一个数据集Stanford Dogs用来验证本文方法在CaffeNet和VGGNet网络模型上性能。表3中展示了Stanford Dogs数据集利用本文方法在CaffeNet和VGGNet两个网络上的实验结果。由表3的实验结果可以看出，在CaffeNet网络模型上，本文的方法均比文献[16]中的单个CaffeNet网络模型和双流网络模型DNC的分类精度要高，分别高了2.30%，1.20%。同时，在VGGNet网络模型上，本文的方法分别比文献[16]中的单个VGGNet高了5.76%，2.31%。实验结果表明，本文提出的方法比文献[16]中的双流卷积神经网络模型分类精度更高，具有较好的分类性能。