《表1 关于12个无人管理的域自适应子问题的五种界标选择法的比较》

  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

根据表1所示结果，本文能做出如下结论:首先，平均来说，本文的方法（使用学生成对测试）大大优于其他方法（平均精确度为48.1%）。在12个域自适应任务中，MLS在8个子问题中的精准度都是最佳的。其次，对于两种子问题（W→D和D→W），ALL更好些。这意味着将所有源案例和目标案例保留在这两种对称情形中比试图寻找界标要好些。值得一提的是，这两种子问题都是最简单的问题，它们有着最高的精准度，证明了保留所有数据的好处。此外，本文的方法在12中问题中的10种中都比CDL有优势，而且CDL在半无人管理的域自适应情境中是专门选择界标的。最后，单一尺度法（采用固定σ）并不是很好。这表明在MLS中，为每一个界标选择最好的活动半径是多么重要。图2给出了MLS为每一个域自适应子问题选择出的界标的分布。这表明即使没有类别信息，本文的方法仍然能够在各种类别中做出平衡选择。