《表2 不同加权方法检测性能Tab.2 Test performance of different weighted methods》
从表2中可以看出,在只考虑源样本的情况下,使用稀疏加权方法时,Caltech检测率约为63%,TUD检测率为67%,而使用KNN方法时,检测率分别为50%和54%。与KNN相比,稀疏编码更适合将源样本映射到目标场景,因为它捕获源样本与目标样本之间的分段线性相关性,而不是由KNN方法捕获成对相关性。在包括目标样本的情况下,直接添加目标样本而不采取任何加权方法时,Catlch检测率从63%提高到76%,TUD的检测率从67%提高到79%。如果使用其置信度值对目标样本进行加权,则Caltech的检测率进一步提高到80%,TUD的检测率为84%。通过将基于稀疏编码的加权方法应用于目标样本,可以大大提高检测率,Caltech达到89%,TUD为92%。这证明本文的加权方法的检测效果最好,在一定程度上容忍初始检测结果的不准确性。
图表编号 | XD0020028700 严禁用于非法目的 |
---|---|
绘制时间 | 2018.09.15 |
作者 | 崔鹏、赵莎莎 |
绘制单位 | 哈尔滨理工大学计算机科学与技术学院、哈尔滨理工大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |