《表3 采用Att-DCC模型描述其他新概念的F1值展示》
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。
图表编号 | XD00197696300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.10 |
作者 | 谢雨杰、杜友田、张潇 |
绘制单位 | 西安交通大学智能网络与网络安全教育部重点实验室、西安交通大学智能网络与网络安全教育部重点实验室、西安交通大学智能网络与网络安全教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |