《表2 是否包含注意力模块的模型对比》
首先分别对改进前的预测结构(图4a)以及改进后包含注意力模块的预测结构(图4b)进行训练,以此验证注意力模块对于模型性能的提升。为了消除损失函数优化对于实验结果的影响,本实验的损失函数采用均方差损失函数Ld,其具体计算方法如式(12)所示。实验结果如表2所示,增加空间注意力模块使得模型在准确率以及调和平均均有所提升,分别提高了4.39、2.23个百分点。相较于改进前直接预测像素分类结果和距离场回归结果的方式,通过增加注意力模块使得距离场的回归预测与像素分类结果存在关联关系,即利用像素分类任务的预测结果弱化模型提取的图像背景区域特征,使得距离场回归任务减少对于非文本区域的错误预测,而当距离场回归任务出现假文本区域的距离场预测结果时,表明模型的像素分类任务存在错误的背景与文本预测结果,通过间接反馈使得模型在训练的过程中进一步优化像素分类任务。其意义在于使得模型的像素分类任务更加关注图像的背景与文本的二分类预测,降低模型对于食品图像中背景区域的错误预测,从而增加模型整体的预测准确率。
图表编号 | XD00152930200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.25 |
作者 | 田萱、王子亚、王建新 |
绘制单位 | 北京林业大学信息学院、国家林业草原林业智能信息处理工程技术研究中心、北京林业大学信息学院、北京林业大学信息学院、国家林业草原林业智能信息处理工程技术研究中心 |
更多格式 | 高清、无水印(增值服务) |