《表4 扩展实验在Cars-196测试库上的对比结果》

  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

《奇异值分解与中心度量的细粒度车型识别算法》

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

为了验证文中方法是否具有延展性并适用于其他网络框架，实验将奇异值分解和中心距离损失融合算法移植到文献[12]的Visual Geometry Group（VGG）网络框架中进行扩展实验。实验使用VGG为基础网络，在fc7层连接一个中心距离损失层，使用Imagenet数据集上预训练的模型微调整个网络直到收敛。实验设置如下:参数配置文件中初始学习率设置为0.001，其余参数文件设置与文中2.1.3节的相同，使用1.1节中奇异值分解卷积神经网络训练步骤，该实验主要提取出VGG网络训练模型中fc7层的权重矩阵。实验环境是在2中提及的条件下，结果如表4所示，通过将奇异值分解和中心度量学习融合算法移植到VGG网络中，准确率提高了约1.83%。从扩展实验结果可知，文中所提出的奇异值分解和中心度量学习融合算法具有延展性，除了文中所扩展实验所使用的VGG网络，同样适用于其他网络框架，对于提升人脸识别、车型识别、行人再识别等分类任务的识别准确率有一定的效果。