《表2 零样本分类准确率比较》

  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

《共有结构假设下流形正则图的零样本分类方法》

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

注：语义属性，v代表VGG提取的视觉特征，g代表GoogLetNet提取的视觉特征。

在本部分实验中，分别采用语义属性和词向量作为语义特征，将本文提出方法在Aw A和CUB数据集上进行零样本分类准确率实验，并将分类结果同其他方法进行比较。（1）采用语义属性作为语义特征的实验结果如表2所示。从实验结果可以看出，本文提出的方法在AwA和CUB数据集上取得较为显著的效果，其中，在AwA上除了比JLSE算法低1.3%外，均优于其他对比算法。在CUB数据集上效果更加明显，达到54.1%的分类准确率。（2）采用词向量作为语义特征的实验结果如表3所示。实验结果表明，本文提出的方法在两个数据集上均优于对比算法，具体表现为：在AwA数据集上，本文提出的算法与SynC[5]、CCA[18]、SJE[6]和LatEm[7]相比较，分别提高了7.1%、3.4%、13.4%和3.5%。在CUB数据集上分类准确度达到34.1%，比效果较好的LatEm[7]算法高2.3%。另外，通过对比表2和表3的实验结果，相比于词向量，语义属性作为语义特征的分类效果会更高，主要原因是语义属性是由人工进行属性标注，具有更充足的视觉描述信息，而词向量仅由上下文关系得，反映的是词语间的共现关系。