《表1 不同算法在COCO数据集上的分割性能对比(%)》

  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

《改进的Mask R-CNN多尺度实例分割算法研究》

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

为了进一步证明算法改进前后的精度变换趋势，表1和表2分别为两种不同算法在COCO数据集下的分割精度和检测精度对比。表中AP50和AP75分别是以0.5和0.75为交并比（Intersection-Over-Union，IOU）临界值计算得到的平均检测精度，APS、APM和APL分别是小型、中型、大型目标的平均检测精度，APbb为目标生成框的平均检测精度值。分析可得，在分割方面，改进算法的分割精度AP为39.8%，相比Mask R-CNN算法提升了4.1%，并且多尺度目标分割精度提升明显，其中以中等目标的精度提升最大，为4.4%。在目标检测方面，相比于Mask R-CNN算法，改进算法的APbb值更高，为43.0%，提升了4.8%，多尺度目标检测精度以中等尺度目标精度提升最大，提升7.8%。