《表4 扩展实验在Cars-196测试库上的对比结果》
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。
图表编号 | XD0078788200 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) |