《表2 不同加权方法检测性能Tab.2 Test performance of different weighted methods》

  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

《基于稀疏编码和背景差分的迁移学习行人检测算法》

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

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。