As Table I shows, our system, explo

As Table I shows, our system, exploiting localization information, provides the best results. It is closely followed by its own variant that does not rely on localization. The small gap in recognition performance is mainly due to the robustness of the method. In fact, the proposed solution has good discriminative capabilities and can effectively identify the correct artwork regardless the number of pieces in the museum dataset. The baseline achieves 100% recall, since it treats every frame as an artwork lacking the detection component. However this performance is the result of a significant number of false positives that lead to a significant loss in terms of accuracy, validating the use of a detection threshold.

ผลลัพธ์ (ไทย) 1:

เป็นตาราง ผมแสดง ระบบของเรา ใช้ประโยชน์จากการแปลข้อมูล แสดงผลลัพธ์ อย่างใกล้ชิดตาม โดยตัวแปรที่ไม่ใช้ภาษา ช่องว่างขนาดเล็กประสิทธิภาพการจดจำเป็นเนื่องจากความทนทานของวิธี ในความเป็นจริง โซลูชันนำเสนอมีความสามารถ discriminative ดี และสามารถมีประสิทธิภาพระบุงานศิลปะถูกต้องโดยไม่คำนึงถึงจำนวนชิ้นในชุดข้อมูลพิพิธภัณฑ์ พื้นฐานทำให้การเรียกคืน 100% ตั้งแต่มันถือทุกเฟรมเป็นงานศิลปะขาดคอมโพเนนต์การตรวจสอบ อย่างไรก็ตาม ประสิทธิภาพการทำงานนี้คือ ผลลัพธ์ของความลวงที่นำไปสู่การสูญเสียในแง่ของความถูกต้อง ตรวจสอบการใช้เกณฑ์การตรวจสอบ

ผลลัพธ์ (ไทย) 2:

ในฐานะที่เป็นตารางที่แสดงให้เห็นว่าระบบของเราใช้ประโยชน์จากข้อมูลการแปลให้ผลลัพธ์ที่ดีที่สุด มันจะตามอย่างใกล้ชิดโดยตัวแปรของตัวเองที่ไม่พึ่งพาการแปล ช่องว่างเล็ก ๆ ในการปฏิบัติงานได้รับการยอมรับเป็นส่วนใหญ่เนื่องจากความทนทานของวิธีการ ในความเป็นจริงโซลูชั่นที่นำเสนอมีความสามารถในการแยกแยะสิ่งที่ดีและมีประสิทธิภาพสามารถระบุงานศิลปะที่ถูกต้องโดยไม่คำนึงถึงจำนวนชิ้นในชุดข้อมูลที่พิพิธภัณฑ์ พื้นฐานประสบความสำเร็จในการเรียกคืน 100% เพราะมันถือว่าทุกเฟรมเป็นงานศิลปะที่ขาดองค์ประกอบการตรวจสอบ อย่างไรก็ตามการแสดงครั้งนี้เป็นผลมาจากจำนวนที่สำคัญของผลบวกปลอมที่นำไปสู่การสูญเสียที่สำคัญในแง่ของความถูกต้อง, การตรวจสอบการใช้งานของเกณฑ์การตรวจสอบ

ผลลัพธ์ (ไทย) 3:

เป็นตารางที่ผมแสดง ระบบของเรา exploiting ข้อมูลที่จำกัด แสดงผลที่ดีที่สุด มันเป็นอย่างใกล้ชิดตามด้วยตัวของมันเองโดยที่ไม่ต้องพึ่งพาท้องถิ่น ช่องว่างในการปฏิบัติการเป็นหลัก เนื่องจากความทนทานของวิธีการ ในความเป็นจริง , เสนอโซลูชั่นที่ดีและมีความสามารถและมีประสิทธิภาพสามารถระบุจำนวนชิ้นถูกต้องไม่ว่างานศิลปะในพิพิธภัณฑ์วันที่ . พื้นฐานบรรลุ 100% ได้ เพราะถือว่าทุกเฟรมเป็น งานศิลปะที่ขาดการตรวจสอบองค์ประกอบ อย่างไรก็ตามการแสดงผลเป็นจำนวนมากบวกเท็จที่นำไปสู่การสูญเสียที่สำคัญในแง่ของความถูกต้องของการตรวจหาการใช้เกณฑ์