《表4 BOVW、VLAD、IFK对AlexNet、VGG-M提取的卷积层特征编码的检索结果》

  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

《卷积神经网络多层特征联合的遥感图像检索》

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

同样，本文利用常见的BOVW、VLAD、IFK3种编码方法对从AlexNet和VGG-M网络中提取的单一卷积层特征进行编码整合，并用于UC-Merced遥感数据检索，检索结果见表4。由表4可知，IFK编码特征结果最好，VLAD特征其次，BOVW结果最差。这是因为BOVW是把特征点做K-means聚类，然后用离特征点最近的一个聚类中心去代替该特征点，损失较多信息；VLAD也只考虑离特征点最近的聚类中心，但保存了每个特征点到离它最近的聚类中心的距离，没有损失信息；IFK保存了特征点的方差和均值，包含了原特征点每一维的值，并且包含了生成式建模过程的结构性信息，对图像局部信息有更细致的刻画。相比于Conv5和Conv5pool，Conv5relu层特征效果最好，原因可能是未池化的Conv5relu含有更多的特征信息，在编码整合后形成更紧凑有效的表示。其中，VGG-M网络的Conv5relu＿IFK取得最好的结果（ANMRR为0.448 1，mAP为0.473 3）。结合表3可知，VD-16的结果更好，说明本文提出的方法更有效。实验结果表明，相比于直接对卷积层特征进行编码，利用全连接层和卷积层汇聚的方法提高了检索精度。