《表3 注意力机制与语义关联分类模块对图像分类效果的影响》

  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

《融合注意力机制和语义关联性的多标签图像分类》

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

为证明本文方法的有效性，在两个数据集上同时做了如表3所示的各模块的对比实验。由表可知，只使用denseNet模型进行分类时，最终的m AP结果在两个数据集上分别为89.9%和77.4%。在此基础之上，结合注意力机制，并利用一个SE模块来消除其产生的负响应，然后使用一个全局平均池化层和全连接层并与denseNet的输出融合，最终的mAP结果为90.0%和77.6%，这说明，只结合注意力机制对整体的分类效果影响不大，本文旨在利用注意力机制使得特征图通道和标签类别一一对应，并没有学习标签之间的关联性。不使用注意力机制，只采用denseNet和卷积与SE的结合，分别得到89.7%和77.0%的结果，相较于只使用denseNet的结果分别下降了0.2%和0.4%，这说明只增加网络层并不能促进分类效果的提升。最终的实验结果说明，利用注意力机制获取特征图通道和标签之间的对应关系，在此基础之上学习标签之间的依赖关系可以提升多标签图像分类结果。