《表1 定量的Seg Net模型分割结果》
在测试集上采用6个评价指标对2个模型的分割性能进行对比,结果列于表1。可以看出,Seg Net模型的并交比比改进CV模型的提高了68.33%;平均像素精度提高了9.35%;相似性指数提高了30.61%,且相似性指数大于0.7;Seg Net模型的Jaccard指数提高了47.98%;过分割率与欠分割率分别减小了87.20%与16.52%。Seg Net模型性能均优于改进CV模型方法,且可对目标进行精准分割。这是因为基于Seg Net的模型利用深度卷积神经网络提取了各个层次的语义特征,而语义特征的提取对前景目标的辨识以及分割有着重要作用。由于卷积神经网络多层次抽象的语义特征对背景变化鲁棒性强于低层特征,因此Seg Net模型对背景复杂、目标特征不显著的高原鼠兔图像能取得更好的分割效果。
图表编号 | XD00194606400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.25 |
作者 | 陈海燕、陈刚琦、张华清 |
绘制单位 | 兰州理工大学计算机与通信学院、兰州理工大学计算机与通信学院、兰州理工大学计算机与通信学院 |
更多格式 | 高清、无水印(增值服务) |