《表2 iCoseg数据集上的MAE对比》
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。
图表编号 | XD00108466200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.01 |
作者 | 赵悉超、刘政怡、李炜 |
绘制单位 | 安徽大学计算智能与信号处理教育部重点实验室、安徽大学计算机科学与技术学院、安徽大学信息保障技术协同创新中心、安徽大学计算智能与信号处理教育部重点实验室、安徽大学计算机科学与技术学院、安徽大学信息保障技术协同创新中心、安徽大学计算智能与信号处理教育部重点实验室、安徽大学计算机科学与技术学院、安徽大学信息保障技术协同创新中心 |
更多格式 | 高清、无水印(增值服务) |