《表1 在Market1501[6]上超参数α对比试验》

  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

《基于噪声标签自适应的行人再识别方法》

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

[6]

为了分析各参数在筛选学习模块中的作用，本文分别对记忆长度、记忆准确度和筛选参数进行了对比实验，实验结果分别如表1，2所示。其中筛选参数α的大小与筛选学习保留的难样本及可能噪声样本量相关，并且影响修正学习的效果，而记忆长度、记忆准确度参数相对不敏感。因此在实验中取记忆长度m=10，记忆准确度ε=0.85，以有效地分析筛选参数的影响。同时为了确保泛化能力，本文使用IDE[16]网络结构。IDE*为无噪声数据集，在表1所进行的实验中，IDE*实验结果为Rank 1 91.11，m AP79.24；在表2所进行的实验中，IDE*实验结果为Rank 1 78.14，m AP 60.38。P1指筛选学习模块，P2指修正学习模块。由表1、2可见，在含有噪声的数据集中，使用筛选学习均可以提高模型在噪声条件下的精度，α取0.3时取得最好效果，直观上是因为更大的α可以保留更多的难样本，这与筛选学习模块一致。值得注意的是，更大的α虽然会带入更多可能的噪声样本，但会在修正学习模块中被赋予更低的权重，降低噪声样本给模型带来的损耗，如果仅增大α而不使用修正学习对噪声、非噪声样本进行权重调整，精度会一定程度降低。此外，根据指数加权平均一般设置，β取0.1。