《表2 MNIST、USPS和SVHN数据集上不同方法的测试结果》
注:加粗字体为最优结果。
为了验证本文方法在数字识别中的效果,使用LeNet[23]、SA(subspace alignment)[30]、DAN和本文方法4种方法在MNIST(M)、SVHN(S)和USPS(U)3个基准的训练图像集上进行实验。其中,卷积神经网络经典模型LeNet常用于数字识别,SA提出了一种用于领域自适应的子空间对齐方法,目的在于学习将源样本与目标样本对齐的特征映射。源模型全部采用随机梯度下降法训练,设置学习率为0.01,权重衰减为0.000 1,添加的Nesterov动量为0.9,每个实验中小批量训练的大小为256,选择目标域的所有图像作为测试样本,重复实验5次,取平均值,结果如表2所示。
图表编号 | XD0098407400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.16 |
作者 | 姚明海、方存亮 |
绘制单位 | 浙江工业大学信息工程学院、浙江工业大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |