《表2 六种鱼类识别率 (T=0.600)》

  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

《CNN特征与BOF相融合的水下目标识别算法》

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

%

融合CNN特征后的水下目标识别率与仅使用BOF算法的识别率对比如表2所示，其中平均识别率是六种鱼类识别率的加权平均值。由于在matlab中2个向量之间的汉明距离定义为2个向量不同的分量所占的百分比，所以汉明距离值范围在0到1之间，在本试验中阈值T暂取0.600，在3.4节对T做详细分析。从表2可以看出BOF融合CNN特征后六种鱼类的识别率相较于只使用BOF或CNN特征的识别率都有明显提高。对单一种鱼类的识别率来说，三个特征层中卷积层Conv5和全连接层Fc6的优势都比较明显，对整个图像库来说，全连接层Fc6的识别效果好于Conv5层。全连接层Fc7虽然相对于BOF和CNN算法来说识别率也有提高，但是效果远不如Conv5层和Fc6层。