《表2 iCoseg数据集上的MAE对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《图像显著性传播及约束的协同显著性检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本节实验用来展示框架中每个部分的效果。为了公平起见，实验中只进行了一个因素的更改。从图7和表2中可以看到：（1）与基于像素级别的方法EMR相比较，所提出的具有超像素级别（ProposedNS）的框架的性能取得了更好的结果。（2）在不使用深度学习单显著性模型（Proposed-ND）来产生初始显著性查询的情况下，本文提出框架（Proposed）的MAE得分从0.085大幅增加到0.147。（3）相比基于标准图模型协同显著性检测方法（Proposed-NHG），在结合超图后，本文提出的方法3个评估指标得到显著提高。（4）相比没有图像内的凸包约束的模型（Proposed-NIMC），本文提出协同显著性检测方法获得更高的性能。它可以抑制远离凸包的背景区域并增强前景区域。除此之外，虽然所提出的没有图像内空间分布约束（Proposed-NIMC）的模型比Proposed更差，但它仍然获得了比其他现有方法更令人满意的性能。