《表2 基于全监督学习的边缘检测算法对比》
全监督学习是利用已知类别的样本(即有标记的样本labeled sample),调整分类器的参数,训练得到一个最优模型,使其达到所要求性能,再利用这个训练后的模型,将所有的输入映射为相应的输出,对输出进行简单的判断,从而实现边缘检测的目的。目前大部边缘检测算法都是基于全监督实现的,根据算法实现过程中采用的整体设计思想以及关键技术不同,本文将其划分为6类:基于谱聚类边缘检测算法、多尺度融合边缘检测算法、跨层融合边缘检测算法、网络重构边缘检测算法、基于编解码边缘检测算法和亚像素卷积边缘检测算法。基于谱聚类的边缘检测和亚像素边缘检测等方法检测精度高,但抗噪声性能较差;基于神经网络和基编解码边缘检测等方法解决了抗噪声性能差的问题,但检测精度不够。表2从算法优缺点、基础网络、关键技术和测试数据集这几个方面对6种方法进行了归纳总结,下面将详细介绍这6类方法。
图表编号 | XD00189100500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.10 |
作者 | 李翠锦、瞿中 |
绘制单位 | 重庆工程学院电子信息学院、重庆邮电大学计算机科学与技术学院、重庆邮电大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |