《表1 不同方法所取得的食物图像识别性能的比较》
此外,为了与其他手工提取的特征性能进行比较,本文也测试了梯度方向直方图(HOG)和Gabor小波两种手工类特征输入到线性支持向量机所取得的食物图像识别性能。对于HOG和Gabor小波特征的提取,按照文献[6]中的参数设置,最终提取2 916维度的HOG特征和1 536维度的Gabor小波变换特征。表1列出了不同方法所取得的食物图像识别的性能。由表1可见,本文方法取得的正确识别率为94.20%,而HOG和Gabor小波两种手工特征取得的正确识别率分别为87.29%和89.80%。这表明了DCNN学习到的食物图像特征比手工特征具有更好的判别力。主要原因是DCNN利用多层次的卷积和池化操作,能够有效提取食物图像的高层次属性特征用于食物图像的分类。
图表编号 | XD0076383000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 张钢、张石清 |
绘制单位 | 广州质量监督检测研究院、台州学院电子与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |