《表1 Mask R-CNN与数据层融合模型m AP比较》

  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

《基于双金字塔特征融合网络的RGB-D多类实例分割》

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

图2为数据层融合模型在NYUD2数据集上的测试结果.由图2可见，不管是原始深度图还是编码后的深度图，融合Depth信息之后，分割结果的丰富度都得到了提高.在颜色纹理相近但深度存在差异的地方，如场景2中的盥洗台与浴缸，单纯利用RGB信息不足以识别盥洗台的存在，融合Depth信息之后可以检测到其位置.又如场景1中位置分散的玩具，只学习RGB信息的模型无法检测其存在，融合Depth信息之后可以将前景（玩具）与背景（地板）区别开.同时，编码后的深度图相比原始深度图得到的分割结果更丰富，且HHA编码比表面法线编码的位置信息更准确.但是，这种融合方式准确度较差，引入Depth信息后对原本彩色特征的学习带来了干扰，导致很多分类错误的目标，所以最终的mAP反而小于只学习RGB特征的模型，编码后的检测结果更多，识别错误的结果也更多，其m AP比学习原始深度图的值更小.与定性结果相对应，该模型定量的结果见表1.