《表1 基于全局自然性和视觉特征通道模型的分类混淆矩阵表》
在实验中,首先利用全局能量图中提取的自然性s作为场景分类的总体划分,然后再通过视觉特征的3个特征通道:颜色、强度和方向对前面得到的“自然场景”和“人工场景”进行分类,最后得到分类结果。图8中实线表示10次Gist向量直接分类得到的识别率,虚线表示使用本文提出的Gist模型得到的识别率采样分布,可见在自然-人工场景分类后,使用Gist向量特征分类结果明显好于Gist向量直接分类得到的结果。然而,虚线的稳定性明显要比实线差,同时虚线的纵轴分布空间以及波动程度均类似于自然-人工场景的分类识别率曲线图。表1为连续10次采样8个类别混淆矩阵的平均矩阵,其中左上4×4方阵与右下4×4方阵均为对角矩阵,说明了在自然-人工场景分类正确的情况下,内部的4个语义类别是可以通过视觉特征通道完全分开的;左下方阵0的数目非常少,而右上方阵0的数目相对较多,说明了自然性s容易将人工场景误报为自然场景,而自然场景却很难错分为人工场景。从理论上看,自然性s主要通过方向的优势性来判断自然或人工场景,人工场景中有很多图像也是由非水平-垂直方向占主导的,例如无限延伸的街道与公路、盘旋向上的摩天大楼等,而自然场景中却很难有水平-垂直方向占优势的场景。在混淆矩阵中,值得注意的是高速公路所在的行与列,非常容易与自然场景中海滩场景相混淆。从图5、图6的场景中可见,海滩场景与高速公路场景在颜色、方向的主导性等方面都非常类似,这也是二者容易混淆的主要原因。
图表编号 | XD0067071500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.01 |
作者 | 赵宏伟、李明昭、刘静、胡黄水、王丹、臧雪柏 |
绘制单位 | 吉林大学计算机科学与技术学院、中国科学院应用光学国家重点实验室、吉林大学计算机科学与技术学院、吉林大学计算机科学与技术学院、长春工业大学计算机科学与工程学院、吉林大学计算机科学与技术学院、北华大学信息技术与传媒学院、吉林大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |