《表6 各实验运行时间:基于语谱图与改进Dense Net的野外车辆识别》
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
《基于语谱图与改进Dense Net的野外车辆识别》
由表5可知,无论是传统MFCC+GMM分类方法还是神经网络方法,使用波束形成对传声器阵列信号进行操作之后,其识别率明显要高于Sig1方式。这说明对传声器阵列信号进行波束形成能够实现信号增强,有效地利用了传声器阵列信号的空时特性;对于同一数据集,使用的DenseNet方法与改进Dense Net方法均明显优于传统方法,Dense Net方法的识别率为95.133%,改进Dense Net方法的识别率平均为97%左右,传统方法为90%左右。这说明相对于传统方法,Dense Net方法能够更好地提取出包含干扰噪声的声音信号特征,减少干扰噪声对识别结果的影响;同时,相对于原有的DenseNet网络结构,加入center loss的DenseNet识别准确率也有所提高,平均提高了2%。这说明加入center loss使得同类特征之间较为紧凑,得到了较好的识别结果。其中在改进的DenseNet方法中,改进DenseNet+CBF方法的识别率最高,为97.70%。不同方法的运行时间如表6所示。
图表编号 | XD00171628600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.01 |
作者 | 周鹏、李成娟、赵沁、王艳、唐洪莹、李宝清、袁晓兵 |
绘制单位 | 中国科学院上海微系统与信息技术研究所微系统技术重点实验室、上海科技大学信息学院、中国科学院大学、中国科学院上海微系统与信息技术研究所微系统技术重点实验室、中国科学院大学、中国科学院上海微系统与信息技术研究所微系统技术重点实验室、中国科学院大学、中国科学院上海微系统与信息技术研究所微系统技术重点实验室、中国科学院上海微系统与信息技术研究所微系统技术重点实验室、中国科学院上海微系统与信息技术研究所微系统技术重点实验室、中国科学院上海微系统与信息技术研究所微系统技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |