《表3 DSAEN与其他方法运行时间的比较 (s/f)》
对图12的曲线呈现情况进行分析,传统的手工提取特征方法,如HOG+SVM,存在一些冗余特征,对分类器有一定的影响。在HOG+LBP+PCA方法中,PCA实现了对混合特征的降维,并保留主要的信息,提高了检测率,但是PCA能有效地学习线性数据,而现实生活中的数据往往是非线性的。经典的深度学习方法CNN由于直接对整幅图像进行卷积学习,图像背景的复杂性导致部分行人没有被检测出来,其性能受到一定的影响。根据行人图像特点设计出的更为复杂深度网络[24]虽然学习了数据的潜在结构,一定程度上提高了精确率,但是时间复杂度高,需要GPU设备的支持。从表3可以看出,深度学习的方法与手工特征提取方法相比,运行时间(每幅图像平均运行时间 (second/figure,s/f)) 显著增加。DSAEN在效率与时间上都达到了很好的效果。
图表编号 | XD0091256400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 崔鹏、赵莎莎、范志旭 |
绘制单位 | 哈尔滨理工大学计算机科学与技术学院、哈尔滨理工大学计算机科学与技术学院、哈尔滨理工大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |