《表2 不同方法在VL＿CMU＿CD数据集上的量化结果》

  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

《多尺度深度特征融合的变化检测》

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

注:加粗字体为每列最优值。

各检测方法在VL＿CMU＿CD数据集上的量化和检测结果如表2和图2所示。可知MDFCD模型的F1=0.791，P=0.771，比位于第2的FCN（F1=0.705，P=0.620）分别高12.2%和24.4%，其他3种方法的F1和P值都没有超过0.2。MDFCD模型的特异性、假正例率和误分类百分比也均优于其余4种方法。从图2可以看出，FCN对变化区域的检测效果明显优于其他3种传统变化检测方法。但当场景中的光照变化较大、变化物体细小时，FCN会出现错误的检测结果。如图2第1行，FCN多检测出1片未变化区域。在第3行中，较小的变化区域未被FCN检测到，而MDFCD能够准确检测到相应变化。在变化细节方面，MDFCD同样更胜一筹，如第2、4行变化物体的轮廓细节，FGCD的检测结果较为模糊且不够准确，SuBSENSE和SC＿SOBS基本失效。因此在准确度和精确度上，MDFCD均高于对比方法。