《表1 数据集A和数据集A+的实验结果比较》

  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

《基于深度层级特征的中国传统视觉文化符号识别及应用》

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

主要根据局部特征和全局特征的优势互补性，将几种特征结合在一起形成多特征，我们分析了几种特征组合的识别结果，即SIFT+RGB，SIFT+RGB+LBP，SIFT+HOG+RGB等，其中在SIFT特征提取过程中，我们引用了词包模型和空间金字塔的思想[1]，使得提取到的特征具有空间语义信息。同时，根据对视觉文化符号的特征分析，我们在提取SIFT特征的基础上，又加入了轮廓特征和颜色特征等，并将以上几种特征融合，将融合后的特征作为图像的具有空间语义信息的特征表达。并用核函数为的SVM作为文化符号的分类器来将文化符号分类。实验中，使用的数据是从视觉文化符号数据集中抽取的典型的8类符号作为数据集A，实验证明，基于浅层学习的中国传统视觉文化符号识别算法中，最有效的识别算法组合是含有空间位置信息的SIFT、HOG和RGB融合的多特征，并结合核函数为的SVM作为分类器，识别的平均F-值在97.5%左右。但考虑到实际生活中识别系统的拒识能力和泛化能力，我们对正样本进行了数据扩充并加入了负样本，此时数据集A变为数据集A+，也就是在数据集A+上再次使用前面的方法进行实验，实验结果如表1所示。从表1中，可以发现，当识别任务变复杂后，准召率明显下降，F-值降低了约6个百分点，对实验结果进行错误分析后，我们觉得在分类任务变复杂后，使用浅层学习的SIFT+HOG+RGB（SPM）方法并不能够很好地完成分类任务。这就说明浅层学习在处理复杂的分类任务上，效果并不理想，所以我们对于这一问题的解决还需要进一步研究。