《表4 MSCOCO数据集下的性能指标比较》

  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

《多主题的图像描述生成方法研究》

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

图4为在TIC模型下的图像描述生成的实验结果，图4上方是输入的图片，下方是图片对应的描述.表3为句子生成多样性结果的举例，带有三角形标注的是训练后生成的不属于训练集里的描述，可以看出TIC方法在BLEU-n，METEOR，CIDER，ROUGE提高的基础上对句子生成的多样性方面依然有一定的保证，也具有一定的新颖性，因此证明TIC生成句子具有多样性.表4为MSCOCO数据集下各方法的比较结果.可以看出，TIC在MSCOCO数据集上BLEU-1，BLUE-2，METE-OR，CIDER，ROUGE分别提高了0.7，0.8，0.4，1.3，0.3.由于TIC的Decoder考虑到了不同主题下的词分布，生成的句子的准确率更高，所以BLEU-1，BLUE-2匹配句子上表现较好，ME-TEOR，CIDER指标分数相比其他方法要高.但随BLEU-n中n的增加，样本的数量比较小，在句子层面上的匹配就会越来越差，所以BLEU-3，BLEU-4的结果并没有达到理想结果，ROUGE与BLEU-n相似.表5为Flickr8k数据集下各方法的比较结果.TIC在Flickr8k数据集上BLEU-1，BLUE-2，METE-OR，ROUGE分别提高了1.3，1.2，0.6，0.2.表6为Flickr30k数据集下各方法的比较结果.TIC在Flickr30k数据集上BLEU-1，BLUE-2，METEOR，ROUGE分别提高了1.3，1.3，0.7，0.6.由于Flickr8k数据集和Flickr30k数据集的主题数据集样本较少，所以较MSCOCO数据集提高的并不是很明显.