《表5 不同CNN网络的测试结果Tab.5 Test results of different CNN networks》

  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

《结合局部二值模式和卷积神经网络的人脸美丽预测》

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

为了证明本文所提方法适合人脸美丽预测，在LSAFBD人脸美丽数据库上使用其他网络进行人脸美丽预测实验。GoogLeNet[23]、VGG＿CNN＿S[24]、DeepID2[25]、NIN[26]和DCNN[28]网络的输入图像均为144×144的灰度图像，通过网络随机剪裁为128×128大小；CF-CNN[27]网络输入图像的光滑度、亮度和颜色图层进行多级微调；RGB+LBP+Light CNN-9+ReLU表示将RGB+LBP+Light CNN-9网络中的MFM激活函数替换为ReLU激活函数，其分类和回归结果如表5所示。从表5可知，RGB+LBP+Light CNN-9+ReLU方法的分类和回归结果都低于RGB+LBP+Light CNN-9的分类和回归结果，这说明MFM激活函数比ReLU激活函数更适合Light CNN-9网络。RGB+LBP+Light CNN-9、Gray+LBP+Light CNN-9方法的分类准确率分别为63.39%、62.80%，回归相关系数分别为0.8708、0.8656，而其他网络的最高分类准确率为59.60%，回归相关系数最大为0.8351。因此，不管是分类还是回归测试，本文所提方法的效果均优于其他网络，证明本文所提方法适合人脸美丽预测，并具有一定的优越性。