《表2 两网络实验结果对比》
由图3可知,该网络结合中心度量学习损失相较于单独使用奇异值分解卷积神经网络要高,因为式(4)中引入了中心距离,导致损失有所增加,但其判别能力得到了提高。在奇异值分解卷积神经网络的基础上,通过使用中心距离损失,收敛速度变快,损失浮动范围更窄,总体收敛效果更优,需要少迭代约4 000次,减少了约66%。计算复杂度略微降低,达到收敛时所需耗时减少了约540s,减少了约16.9%,且准确率提高了约1.2%。实验结果如表2所示。
图表编号 | XD0078788000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.20 |
作者 | 蒋行国、万今朝、蔡晓东、李海鸥、曹艺 |
绘制单位 | 桂林电子科技大学信息与通信学院、桂林电子科技大学信息与通信学院、桂林电子科技大学信息与通信学院、桂林电子科技大学信息与通信学院、桂林电子科技大学信息与通信学院 |
更多格式 | 高清、无水印(增值服务) |