《表4 MVSRN在coco上的实验结果》

  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

《基于分治思想粗匹配和精微匹配相结合的跨模态检索算法》

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

之后，又在coco数据集上进行了训练和测试，实验结果如表3和表4所示。从表3中的实验结果可以看到，在coco1k（1k是指测试集的数据量）上相比于VSRN（ours）检索效果有了整体提升。图像检索文本任务上R@1提升了0.8个百分点，R@5提升了0.3个百分点，R@10提升了0.2个百分点。其中R@1提升最多，这说明MVSRN确实在图像检索文本任务上实现了效果的提升。在coco1k上文本检索图像也同样获得了效果的提升，R@1提升了1.1个百分点，R@5提升了0.5个百分点，R@10提升了0.4个百分点。这是因为coco数据集中的数据不存在明显的主题性，不会出现很多数据属于同一主题非常接近的现象。在coco5k上，MVSRN的实验结果同样整体好于VSRN（ours），这说明MVSRN混合检索通过将两个检索模型整合在一起，确实可以提升检索的效果。从表3和表4可以看出，MVSRN在coco5k上的提升幅度要高于在coco1k上的提升幅度。可以看到从coco1k到coco5k的测试结果都有一个明显的下降，这是因为测试集变大的原因。当测试集的数量变大时，在检索的时候面对的检索对象就会变多，干扰项就会变多，因此检索效果会出现下降的现象。但是当用两个特征向量取平均来进行检索时，用于检索的特征向量是由两个检索模型共同产生的，是两个检索模型共同在起作用，因此抗干扰能力就会更强。当检索的数据量增大时，对其产生的影响会更小，检索效果下降的就会更少。因此导致了MVSRN在coco5k上的提升幅度要高于在coco1k上的提升幅度。