《表8 Cityscapes部分类别像素数量占比》

  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

《改进DeepLabv2的实时图像语义分割算法》

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

表7和表8数据分别是本文对Pascal VOC2012和Cityscapes数据集中部分类别像素数量的占比统计。从中可以看出这两个数据集存在严重的像素类别不均衡问题，Pascal VOC2012中background像素数量是bus的139倍，Cityscapes中road像素数量是motorcycle的407倍，这些过多像素数量的类别在训练过程中主导了梯度方向，影响算法对其他类别的学习。为验证本文选择超参数的方法可有效缓解上述类别不均衡的问题，提升算法分割精度，本文在Pascal VOC2012和Cityscapes数据集上进行了对比实验。在实验中，采用两种方法选择超参数α，一种是使用本文提出的方法设置α值，由于难以为Focal Loss在两个数据集中手工选出合适的21个和19个α值，因此第二种超参数选择方式将所有类别的α设置为0，即每个类别样本的重要性均为1。具体实验结果在图8中展示。从图8中可以看出，算法使用本文选择超参数的方法与第二种相比，Pascal VOC2012和Cityscape数据集的绝大多数类别分割精度均有提升，但是第一个类别的分割精度有明显下降，这两个数据集上的第一个类别分别对应表5和表6中的background和road，这两个类别像素数量占比最大，使用本文选择超参数方法的Focal Loss将这两个类别样本重要性大幅度降低，损失值缩减较多，进而减少了算法对这两个类别的学习，相对而言，增加了其他类别的重要性，使算法加强对这些类别的学习。