《表3 分割结果的评价指标值》

  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

《基于符号规范化割的半监督学习与图像分割》

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

图5展示了几种方法的分割结果图．SSNCut与SNCut的分割效果相当，在前景边界复杂的图像上表现较差，不能很好地识别边界位置．但是，SNCut比SSNCut的优化过程更为简单．在加入MRF项之后，SNCut&MRF能够显著提升边界对齐性．在分割结果图上，SNCut&MRF与Kernel cut效果相当．表3的后几行则可以量化比较三种算法的优劣．由于Kernel cut没有很好的利用监督信息，在评价指标上，劣于SNCut&M RF．表4中，我们列出了图5的几张图片所需的计算时间，以秒为单位．括号（without）是指不包含超像素生成的时间．由于SSNCut与SNCut均以超像素为结点构建无符号（符号）网络，即便调用了特征值函数，其所需时间仍然较少．其中，SNCut所需的时间则更少．SNCut&MRF与Kernel cut均比前两种谱方法的时间长，因为它们迭代地使用了最大流/最小割算法．SNCut&MRF以负边表达半监督信息，在程序中多执行了约束信息的处理代码，因而比Kernel cut的执行时间稍多．