《表4 Twitter Image数据集上的平均分类性能和标准差》

  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

《基于深度学习的少数民族绘画情感分析方法》

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

通过实验发现，除了对图像进行色相的改变之外，其他扩充数据的方式均提升了模型对于图像情感识别任务的性能，与绘画情感识别相同的是，亮度依旧是最为有效的方式，而改变图像饱和度的方式在普通的图像情感识别任务上对于模型性能的提升并不明显.这也证明了绘画图像的情感分类任务和普通图像的情感分类任务具有相似性，但不像普通的图像分类问题那样能照搬相同的训练策略.为了验证这种扩充数据集方式的有效性，对原图像进行裁剪、翻转，对原图像颜色的亮度、饱和度，以及对比度进行改变，在Twitter image dataset上进行了测试，均采用5折交叉验证的方式将数据集分为训练集和测试集，并与目前最先进水平的方法[13，14]的结果进行对比，实验结果见表4.