《表1 不同模型分类准确率比较》

  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

《基于多模态融合的三维模型检索算法研究》

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

本文提出了一种新的应用于全局损失的相关性损失函数，可以实现每个模态在训练中进行相互的指导，以此获得更健壮的特征表示。比较了包含相关损失函数作用下与传统单模态网络交叉熵损失函数下的收敛趋势，结果如图4所示。这里只展示了100次迭代的收敛趋势，由三个模态在前100次迭代的收敛趋势可以明显看出，在全局损失中加入相关性损失函数，判决损失的收敛速度明显加快。此外最终的分类结果也明显优于传统的交叉熵损失网络的结果，相关结果如表1所示，该实验证明了本文方法的可靠性和优越性。