Page 351 - 《软件学报》2021年第5期
P. 351
陈鑫 等:高斯卷积角:用于叶片图像检索的形状描述不变量 1575
像的整体特征.另一方面,一般细粒度特征对噪声比较敏感,而 k 过大,也会减弱描述子的粗粒度特征对噪声的压
制作用.为保持描述子对粗细两类特征描述的平衡性,我们经验的选取 k=8.
Table 1 Comparison of MAP scores of various methods on CVIP100 dataset
表 1 各种方法在 CVIP100 叶片图像测集上的 MAP 值的对比
Algorithm MAP score (%) Average retrieval time (s)
IDSC+DP [9] 80.53 9.09
MDM [16] 71.50 7.20
Height Function [29] 84.25 21.87
HSC [17] 86.08 0.12
VGGNet-19 [30] 80.54 0.06
RESNet-152 [31] 83.11 0.09
高斯卷积角描述子 89.27 2.41
Fig.6 MAP scores of the leaf shape description method of Gaussian convolution angles obtained
by taking different values of the scale levels k on the CVIP100 dataset
图 6 在 CVIP100 数据集上,高斯卷积角叶片形状描述方法在尺度个数 k 取不同值时获得的 MAP 分数
另一组实验是研究不同的采样点个数对检索性能的影响.我们将尺度个数 k 固定为 8,采样点个数 T 在[64,
512]区间以 64 的步长均匀取 8 个数值 即 64,128,192,256,320,384,448,512,得到对应的 MAP 值,将实验结果绘成
折线图,如图 7 所示.
Fig.7 MAP scores of the leaf shape description method of Gaussian convolution angles obtained
by taking different number of the sampling points on the CVIP100 dataset
图 7 在 CVIP100 数据集上,高斯卷积角叶片形状描述方法在采样点个数取不同值时获得的 MAP 分数
由该图我们可以看出:当采样点个数为 64,128,192 时,对应的 MAP 值分别为 77.67%,85.29%,87.93%;而当采
样点个数大于等于 256 时,MAP 值在 89%~90%区间波动.这是因为当采样点个数较小时,提取的轮廓线会丢失
大量的细节信息,描述子引入的都是粗粒度特征,所以获得的 MAP 值较低;当采样点个数越来越大时,提取的轮