《表3 本文算法与其他先进的同类算法对比结果》

  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

《基于多时间划分的深度聚合特征的行为识别》

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

/%

实验选取了五个先进的同类算法进行对比，如表3所示，这五种对比算法具有一定的代表性，与本文算法相似，它们都采用了静态RGB图与光流图的双流模型结构，只是具体的模型选择有一定区别。具体地，VGG-M与VGG-16虽然对人体行为的外观特性与动态变化都进行了考虑，但对人体行为都进行分析过于粗糙，因此分类效果不佳，而VGG-16的深度要高于VGG-M，所以后者的精度要高于前者。TSN在一定程度上对视频片段进行了划分（M=3），但细化程度不足，同时缺少对行为特征的局部聚合，如实验1的结果，因此在UCF101数据集上，分类效果比本文算法低0.2%，在HMDB51数据集上低2%。Action VLAD采用了局部聚合的方式，但与VGG-16类似，缺少时间划分，因此在两个数据集上的效果都比本文算法差。Seq VLAD是本类型算法较新的一种，它在求解软赋值^a（xd）的过程中，不仅获取了空域信息，还考虑了时域信息，从而获取了时空域内更多的上下文信息，因此它取得了最好的效果，在UCF101上比本文算法略高0.3%，在HMDB51上高1%。