《表4 纹理分类的对比结果》

  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

《面向烟雾识别与纹理分类的Gabor网络》

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

注:粗体表示同等实验条件下的最优与次优结果。

基于LBP的对比方法都没经过RI映射，其中LBPHF和CLBP采用论文中的完整版特征。本文Gb特征平均准确率排名第一和第二，但标准差始终最小，说明本特征较稳定。原DMD特征在每一轮测试都要重新学习，现将烟雾Set1用于DMD的一次性学习，则准确率不如原文和本文方法。而本文Gabor网络能从两类小尺寸样本中学习出适用于大尺寸样本的多分类投影模型，说明泛化性能更强。PRICoLBP也引入了多尺度信息，且统计了成对编码的共现信息，因此具有很好的辨别力，在KTH-TIPS库上的准确率超越了本文方法，但在Brodatz库上的准确率不如本文方法。而Gb＿PCA＿LBP没有采用全局学习，依赖于每个样本自身，因此泛化性能不足，用Set1学得的模型不足以用于描述标准纹理样本。