《表2 融合语义标签信息后每个新概念F1值比较》

  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

《面向新概念学习的图像描述生成模型》

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：黑体数据为最优值。

因此，在后续的实验中采用的是直接迁移方法。表2展示了Att-DCC在3种组件作用下对于8个新概念各自的学习结果。可以看出，语义标签的引入可以使得大多数的概念学习结果得到提升。为了证明本文提出的Att-DCC模型在新概念学习方面具有推广性，我们从MSCOCO中抽取了另外6个概念：bear、cat、dog、elephant horse和toilet。与这6个概念相关的图像文本数据大约占MSCOCO的8.5%，将其处理为新概念进行重新训练和测试，结果如表3所示。结果显示：平均准确率近似于表2中的平均值，体现了较好的效果。