《表2 Cityscapes上不同损失函数各类别平均交并比》

  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

《面向街景自动驾驶的DSC-MB-PSPNet语义分割技术研究》

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

最终每种类别的精度如表2所示。可以发现，在road和car这类数量较多且简单的类别中，两组实验的平均交并比（m Io U）值相差不大；但对于traffic sign，pole等数量较少且困难的类别，使用抑制性交叉熵损失函数的实验m Io U值均高于普通交叉熵损失函数的，其中wall类别高3.2%，fence类别高3.3%，truck类别高4.5%，motorcycle类别高3.4%。最终两组实验的整体m Io U值比使用抑制性交叉熵损失函数的实验高出了1.4%。这组对比实验结果说明，本文加入的抑制性交叉熵损失函数可以提升数据集中数量较少的类别分割精度，一定程度上解决了数据集样本种类不均衡的问题。