《表3 各种分割算法的分割精度对比》

  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

《域自适应城市场景语义分割》

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

注:加粗的字体为每行最优值。

实验2为了进一步验证本文算法的有效性，分别将本文模型与目前几种主流的语义分割算法模型（Hoffman等人(2016）、Zhang等人（2017）、Hoffman等人（2017）、Chen等人（2017）、Luo等人（2019）)进行了对比。Hoffman等人（2017）和Chen等人（2017）两种方法均分别比较了基于特征级与像素级的域自适应效果，定量的实验结果如表3所示。另外还将本文的模型得到的分割图与Chen等人（2017）得到的分割结果进行了视觉效果对比，如图4所示。在图4中，用不同的颜色表示场景中19个不同的类别目标。从图4可以发现，本文模型的分割性能更优。将着重对比分析方框圈出的地方，如图4第1行，提出的模型对Sidewalk、Road、Terrain等类别的分割都更加接近其对应的ground truth；如图4第2行，提出的模型对Sidewalk、Road和Building都分割更准确，尤其是左上角的Building类，分割效果更好；同理，图4的第3行、第4行和第5行，提出的模型对Sidewalk、Road、Pole的分割效果仍然比AdaptSegNet更好。这是因为AdaptSegNet在上述类别的分割中受到Terrain类别的干扰较大，本文提出模型分割效果提升的主要原因在于，采用了学习率自适应方法可以动态调整不同特征层的损失函数，另外，本文采用SG-GAN方法合成具有目标域风格的源域数据也是提升分割效果的主要原因。