《表2 不同方法的NME与失败率》
%
为了客观公正地对本文AF-FLLO算法的特征点定位性能进行评测,我们选取了以下方法与本文方法对比:Crasm29[6],FLPD[9],HOSRD(hierarchical occlusion-handling stagewise relational dictionary)[12],DSC-CR(dual sparse constrained cascade regression)[5],P-DSC-CR(pose-insensitive dual sparse constrained cascade regression)[5],RCPR[4],SDM(supervised descent method)[13],CRC(cascaded-regression copse)[14],MCNet(multi-center convolutional network)[15]。从表2可以看出,基于自适应特征的AF-FLLO在NME和失败率两个指标上都比FLLO表现更好。在失败率指标上,MC-Net[15]取得了2.96%的最好结果,部分原因在于MCNet通过样本扩增方法使得训练样本数目达到60 000以上,而本文AF-FLLO方法的训练样本数目仅为2 690(1 345×2)。
图表编号 | XD0077698700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.24 |
作者 | 杨帆、熊盛武、周俊伟、刘晓赟 |
绘制单位 | 武汉理工大学计算机科学与技术学院、武汉理工大学计算机科学与技术学院、交通物联网湖北省重点实验室、武汉理工大学计算机科学与技术学院、武汉理工大学文法学院 |
更多格式 | 高清、无水印(增值服务) |