《表3 DSAEN与其他方法运行时间的比较 (s/f)》

  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

《行人检测的深度稀疏自编码网络》

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

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。