《表2 不同损失函数对模型的影响》
本文采用多损失函数联合监督机制优化网络迭代。网络的总损失包括像素级的损失L1=L1i+L1j+L1c+L1a+L1s;根据外观分配的ID损失L2=L2+L2g;区分网络中的生成损失L3=L3;网络框架特征的损失L4=L3j。表2列出了不同损失函数对网络模型的影响。从表2中数据可以看出,多损失联合监督机制可以有效地挖掘图像中的细粒度特征,增强网络模型的鲁棒性,并进一步提高行人识别的准确性。
图表编号 | XD00214248100 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 杨琦、车进、张良、张玉霞 |
绘制单位 | 宁夏大学物理与电子电气工程学院、宁夏沙漠信息智能感知重点实验室、宁夏大学物理与电子电气工程学院、宁夏沙漠信息智能感知重点实验室、宁夏大学物理与电子电气工程学院、宁夏沙漠信息智能感知重点实验室、宁夏大学物理与电子电气工程学院、宁夏沙漠信息智能感知重点实验室 |
更多格式 | 高清、无水印(增值服务) |