《表2 在CUB-200-2011数据集上不同设置下的准确率对比》

  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

《面向图像分类的基于注意力引导的Dropout》

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

注：黑体为提取器下的最好的结果；分别表示是否使用该维度

首先，探索了SE-block对分类性能的影响。从表2可以观察到，在CUB-200-2011数据集上，SE-block能够带来轻微的性能提升；且能够使网络对特征重新分配权重，进而提高网络的特征提取能力。为了进一步研究本文方法是否仅依靠SE-block提升分类性能，还在其后添加了AD层对神经元进行舍弃，但分类性能明显下降。原因是对节点的舍弃概率过高，导致大量的有判别力的节点被舍弃，进而影响分类性能。当添加一个松弛因子c对删除率进行调节时，模型的分类性能得到了显著地提高，这表明本文方法显著增强了模型的特征提取能力。