《表1 实验因素整合表：基于多任务学习的传统服饰图像双层标注》

  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

《基于多任务学习的传统服饰图像双层标注》

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

为验证MTL-DMAM模型的有效性和优越性，本文分别在MS-COCO数据集和传统服饰图像数据集上进行多标签标注的对比实验，两个数据集的统计情况如表1所示。MS-COCO数据集最初是为场景理解背景下的目标识别任务而收集的，也经常用于图像多标签标注任务和图像描述任务，其中训练集包含82 783张图像，验证集包含40 504张图像，数据集含有80个类别对象。由于测试集的真值标签不能使用，本文在训练集上训练网络，并在验证集上进行评估。在MS-CO-CO数据集上主要完成MTL-DMAM模型与同类多标签标注模型性能的对比实验，以验证MTL-DMAM模型在多标签标注任务上的有效性。传统服饰图像数据集由本实验室构建，共有3000张图像，每张图片均含有本体标签和隐义标签。本体标签包含8个不同类别，即花、鸟、龙、桃、蝴蝶、蝙蝠、祥云以及人物；隐义标签含有7个不同类别，即幸福、富贵、喜庆、长寿、权势、吉祥以及典故，将数据集划分为训练集和测试集，其中训练集图像2400张，测试集图像600张。在传统服饰图像数据集上主要完成MTL-DMAM模型与不同网络拆分模型性能的对比实验，以验证MTL-DMAM模型在基于多任务学习的双层多标签标注任务上的优越性。