《表4 模型分割结果：多尺度特征融合的图像语义分割》

  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

《多尺度特征融合的图像语义分割》

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

为了证明新网络模型的优势，本文在所有实验的配置环境和优化参数都一样的情况下，一共做了8组对比实验.前4组分别测试了在未加CRF时4种模型在PASCALVOC2012图像上的分割能力；后4组分别测试了引入CRF后4种模型的性能，如表4所示.在未加CRF时，文献[7]比文献[6]模型的像素准确率提高了约2.1%，平均交并比提高了约2.6%，说明了ASPP在解决图片大小不一的情况下，也增加了图像分割的精度；文献[10]比文献[7]模型平均像素准确率提升了约0.3%，平均交并比提升了约0.1%，表明跳跃连接在解决梯度消失和梯度爆炸的同时，提升了网络的性能；新网络相较于文献[10]模型平均像素准确率提升了约2.3%，平均交并比提升了约0.5%，可见新网络在保留了文献[10]的跳跃连接，融入改进后的ASPP的结构后得到了相对较大的提升.在引入CRF之后，模型将结合网络预测的类别与像素和边界的局部交互捕获的低级信息，对边缘进行优化，弥补了改进后的全卷积网络输出边缘粗糙的缺陷，改善了神经网络的像素分割精度，4种模型对比实验证明了新网络模型在图像语义分割领域的优势.