Page 423 - 《软件学报》2026年第5期

2302 软件学报 2026 年第 37 卷第 5 期

4.5 参数敏感性分析
4.5.1 累积分布阈值 u 的对比实验分析
本节深入研究了累积分布阈值 u 在基于注意力阈值的关键区域定位模块中的作用, 并在 CUB-200-2011、
Stanford Dogs 和 NABirds 这 3 个数据集上进行了对比实验分析, 以揭示阈值 u 对识别准确率的影响, 如图 9 所示.
在 CUB-200-2011 数据集上, 实验结果显示, 当阈值 u 设置为 0.7 时, 识别准确率达到最高 (92.1%), 而在 Stanford
Dogs 数据集上, 阈值 u 为 0.9 时达到最高准确率 (91.7%), 在 NABirds 数据集上则是阈值 u 为 0.6 时准确率最高
(91.9%). 这表明不同数据集的最优阈值存在显著差异, 可能与数据集中目标对象的大小、比例及背景比例的差异
有关. 进一步分析发现, 当阈值 u 设定过低时, 定位的关键区域过小, 导致局部视图无法覆盖对象的所有重要特征,
从而影响性能. 反之, 阈值 u 过高时, 会导致过多背景信息被包含在局部视图中, 引入的噪声也会降低模型的识别
准确率. 因此, 合理设定累积分布阈值 u 对于平衡关键特征的提取和背景噪声的抑制至关重要, 这是提升模型识别
性能的关键. 总之, 累积分布阈值 u 的合理设置对于增强模型的识别能力具有显著影响. 本节的实验结果不仅证实
了阈值 u 在关键区域定位中的重要作用, 而且为不同特性的数据集提供了阈值选择的参考. 通过这种方法, 可以更
精确地捕捉目标对象的关键特征, 从而在细粒度图像识别任务中实现更高的准确率.

92.5
CUB-200-2011
Stanford Dogs
NABirds
92.0
识别准确率 (%) 91.5

91.0

90.5

90.0
0.5 0.6 0.7 0.8 0.9
累积分布阈值 u
图 9 在 CUB-200-2011、Stanford Dogs 和 NABirds 数据集上累积分布阈值 u 取不同值时的识别准确率对比

4.5.2 冗余信息过滤阈值 K 的影响
本节着重探讨了基于注意力融合的冗余信息过滤模块中阈值 K 对细粒度子类别辨识性差异特征提取能力的
影响. 为此, 本文在 CUB-200-2011、Stanford Dogs 和 NABirds 这 3 个数据集上进行了一系列消融实验, 旨在详细
分析不同阈值 K 对模型性能的影响, 实验结果呈现在后文图 10. 从实验数据可以看出, 随着冗余信息过滤阈值 K
的增加, 模型的识别准确率呈现上升趋势, 直至阈值 K 达到 50 时, 在 3 个数据集上均实现了最高准确率 (CUB-200-
2011 为 92.1%, Stanford Dogs 为 91.7%, NABirds 为 91.9%). 这一结果表明适度的信息过滤有助于提取对细粒度子
类别识别更为关键的特征. 然而, 当阈值 K 继续增加至 75 及以上时, 模型性能出现下降, 这可能是因为较高的阈
值不但筛选出部分重要的局部区域特征, 同时也保留了过多的背景信息, 这对细粒度类别识别无益. 这一发现揭示
了在 ViT 的视觉编码器中, 适当的冗余信息过滤至关重要. 过低的阈值 K 可能导致重要特征的丢失, 而过高的阈
值则可能引入干扰信息, 影响模型对细微差异的捕捉能力. 因此, 精心选择冗余信息过滤阈值 K 对于优化 ViT 模
型性能、增强其对细粒度类别识别精度具有重要意义.
4.5.3 自适应推理策略中置信度阈值的影响
本节通过在 CUB-200-2011、Stanford Dogs 和 NABirds 这 3 个数据集上进行的参数敏感性实验, 评估了自适
应推理策略中置信度阈值对识别准确率及推理效率的影响. 实验结果如图 11 所示. 在 NABirds 数据集上, 随着置
信度阈值从 0.5 增至 1.0, 识别准确率从 91.3% 逐步提升至 91.9%, 而推理时间则从 316.4 s 增至 600.8 s. 可以观察