·893· 刘威，等：融合关系特征的半监督图像分类方法研究 第5期 050100150200 050100150200 050100150200 050100150200 树 (a)第1类卷积核 (b)第2类卷积核 (c)第3类卷积核 (d第4类卷积核 图35种模型在3个样本不同次迭代的特征图对比 Fig.3 Comparison of feature maps of three samples of five models at different iterations 对比图3中每次迭代得到的特征图，CNN-0- 构建SCUTTLE模型过程中GCN模型与CNN模 GCN模型的物体轮廓、清晰度、纹理特征、细腻 型哪一层特征图连接的问题、SCUTTLE自身泛 程度相比于其他模型都有很大优势。以样本类别 化性能等问题做出了深入研究。实验结果表明： 为马的第一类卷积核对应的特征图为例，CNN模 1)CNN-O-GCN模型相比于其他融合模型具有较 型将图像上边缘的深黑色背景特征也提取出来， 好的泛化性能；2)特征图可视化结果同时也证明 这样使得特征图中马的轮廓变的不清晰，而CNN- 了CNN-0-GCN模型的优良性；3)4种融合模型 0-GCN模型中显然将这些冗余特征去除，通过不 在4种数据集上的测试结果相较于CNN模型有 同的灰度值，清晰地将马的轮廓显现出来。 明显提升。研究结果充分证明本文所提SCUTTLE 同样地.还是以样本类别是马的特征图为例， 模型是一种良好的半监督分类模型。 通过观察会发现，CNN-0-GCN模型对应的第50 3.3 SCUTTLE模型(VGG-GCN)性能分析 次迭代的特征图无论是清晰度还是纹理特征相比 3.3.1实验内容与实验设置 于CNN要差很多，但是50次迭代之后，马的轮廓 1)为了进一步验证SCUTTLE模型的泛化性 以及图像的细腻程度明显好转，而且变的比50次 能，本节将三层卷积模型替换为VGG模型2，分 迭代之前的特征更清晰，再一次证明了融合模型 别将VGG11、VGG13、VGG16、VGG19与GCN融 具有很好的泛化性能。 合在3.1节的4种数据集上测试其泛化性能，并 此外，通过对比CNN-O-GCN与其他3种融 将实验结果记录在图4中。 合模型的特征图，发现CNN-0-GCN的特征图效 2)设置消融实验来研究各个模型在融合模型 果依然优于其他3种模型。以鸟的特征图为例， 中所起作用。在图4中，用4幅图表示所测试的 其余3种融合模型的前150次迭代图中均有明显 4种数据集，虚线部分表示单独的VGG模型实验 的噪声值：迭代到200次后，特征图的效果才有 结果；红色虚线表示单独的GCN模型结果；而实 提升。其余两类样本的特征图对比情况不再详细 线部分表示SCUTTLE模型的结果，通过对比虚 分析。 线结果与实线结果的差异，即可分析单一VGG 本节从数值实验、特征图可视化两个方面对 模型与SCUTTLE各模型之间的性能差异。0 50 100 150 200 0 50 100 150 200 0 50 100 150 200 0 50 100 150 200 (a) 第 1 类卷积核 (b) 第 2 类卷积核 (c) 第 3 类卷积核 (d) 第 4 类卷积核 图 3 5 种模型在 3 个样本不同次迭代的特征图对比 Fig. 3 Comparison of feature maps of three samples of five models at different iterations 对比图 3 中每次迭代得到的特征图，CNN-0- GCN 模型的物体轮廓、清晰度、纹理特征、细腻 程度相比于其他模型都有很大优势。以样本类别 为马的第一类卷积核对应的特征图为例，CNN 模 型将图像上边缘的深黑色背景特征也提取出来， 这样使得特征图中马的轮廓变的不清晰，而 CNN- 0-GCN 模型中显然将这些冗余特征去除，通过不 同的灰度值，清晰地将马的轮廓显现出来。 同样地，还是以样本类别是马的特征图为例， 通过观察会发现，CNN-0-GCN 模型对应的第 50 次迭代的特征图无论是清晰度还是纹理特征相比 于 CNN 要差很多，但是 50 次迭代之后，马的轮廓 以及图像的细腻程度明显好转，而且变的比 50 次 迭代之前的特征更清晰，再一次证明了融合模型 具有很好的泛化性能。 此外，通过对比 CNN-0-GCN 与其他 3 种融 合模型的特征图，发现 CNN-0-GCN 的特征图效 果依然优于其他 3 种模型。以鸟的特征图为例， 其余 3 种融合模型的前 150 次迭代图中均有明显 的噪声值；迭代到 200 次后，特征图的效果才有 提升。其余两类样本的特征图对比情况不再详细 分析。 本节从数值实验、特征图可视化两个方面对 构建 SCUTTLE 模型过程中 GCN 模型与 CNN 模 型哪一层特征图连接的问题、SCUTTLE 自身泛 化性能等问题做出了深入研究。实验结果表明： 1) CNN-0-GCN 模型相比于其他融合模型具有较 好的泛化性能；2) 特征图可视化结果同时也证明 了 CNN-0-GCN 模型的优良性；3) 4 种融合模型 在 4 种数据集上的测试结果相较于 CNN 模型有 明显提升。研究结果充分证明本文所提 SCUTTLE 模型是一种良好的半监督分类模型。 3.3 SCUTTLE 模型 (VGG-GCN) 性能分析 3.3.1 实验内容与实验设置 1）为了进一步验证 SCUTTLE 模型的泛化性 能，本节将三层卷积模型替换为 VGG 模型[22] ，分 别将 VGG11、VGG13、VGG16、VGG19 与 GCN 融 合在 3.1 节的 4 种数据集上测试其泛化性能，并 将实验结果记录在图 4 中。 2）设置消融实验来研究各个模型在融合模型 中所起作用。在图 4 中，用 4 幅图表示所测试的 4 种数据集，虚线部分表示单独的 VGG 模型实验 结果；红色虚线表示单独的 GCN 模型结果；而实 线部分表示 SCUTTLE 模型的结果，通过对比虚 线结果与实线结果的差异，即可分析单一 VGG 模型与 SCUTTLE 各模型之间的性能差异。 ·893· 刘威，等：融合关系特征的半监督图像分类方法研究 第 5 期