《表1 数据集COCO STDS AP比较》
本文在合成数据集上对模型进行预训练,使用平均精度(AP)进行评估,该度量标准与COCO检测评估相同.如表1所示,为了探索噪声分支和CBAM模块的作用,进行了三组实验.其中MR Net为没有任何改进的Mask R-CNN网络,M RN Net代表添加噪声分支,M RNC Net代表引入主分支CBAM模块并且添加噪声分支.M RN Net性能优于M R Net,我们认为针对篡改检测,网络需要学习更丰富的特征,而噪声分支为检测提供了其它依据.MRNC Net性能优于MRN Net,我们认为主分支引入CBAM模块,有效增强了全局特征类间区分,使网络能够学习类间独特的特征表示.在噪声分支共同作用下,性能达到最优.
图表编号 | XD00199021200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.01 |
作者 | 宣锦昭、徐超、冯博、闪文章 |
绘制单位 | 安徽大学电子信息工程学院、安徽大学电子信息工程学院、安徽大学电子信息工程学院、安徽大学电子信息工程学院 |
更多格式 | 高清、无水印(增值服务) |