《表3 不同距离场损失函数训练的模型对比》

  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

《基于语义分割的食品标签文本检测》

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

在增加注意力模块的基础上，为了验证距离场回归任务中损失函数修改的有效性，对4种距离场损失函数分别进行了实验，实验结果如表3所示。其中利用开方自适应增加损失值的方式将准确率提升了3.80个百分点。增加权重的方法使得模型在检测性能上没有明显的提升，由于增加权重的方法中权重值大于等于1，因此一定程度上等效于增加了损失值，但增加边缘区域的损失权重意味着中心区域的损失权重相对降低，进而影响距离场中心区域距离值的预测准确性，弱化了模型预测准确率的提升效果。这也使得同时使用两种方法相较于仅使用开方自适应增加损失值的方式准确率减低了1.85个百分点。因此本文最终采用Ld＿s作为模型的距离场回归任务损失函数，易于模型的训练优化，提高模型的预测准确率。