《表2 无监督DA方法的比较》

  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

《机器视觉中基于界标的无人管理域自适应算法研究》

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

与当前最新的无人管理自适应法作比较。表2给出了最新的无人管理子空间对齐域自适应法的实验结果。值得注意的是，本文的LSSA法在12种中的7种子问题上都比其他方法表现好，同时TJM在剩下的5中方法中表现更好。然而，平均来看，LSSA大大优于TJM（52.6%对50.5%）。此外，TJM的时间复杂性远远大于其他方法，因为其需要解决一个不小的优化问题，而本文的方法包含的针对界标选择的贪心策略和针对子空间对齐封闭解更加有效。TJM和LSSA的精准度的差别在于，前者采用了权重机制，主要能将两种域移动得更近一些，而后者通过高斯假设，同时考虑到了方式及界标数据分布的标准误差。从表2中可以看到，LSSA远远优于SA，LSSA能够捕捉到非线性，这是SA难以与其比较的。然而，考虑非线性的方式也是一个关键。的确，正如KPCA+SA所表示的那样，在子空间对齐之前执行两个独立的KPCA会导致最坏的结果。