《表2 不同方法实验结果对比》
通过表2可以看出,本文方法在各项指标上均有了较大的提升。在C1误差下,相比于Luo的工作,Rel与RMSE指标分别降低了17%、11%;相比于Nath的工作,Rel与RMSE指标分别降低了4%、14%;可以证明本文方法的有效性。但是在Ale指标上,本方法表现一般。原因在于本文建立在重构与分阶段训练的思想之上,导致深度估计结果的均值较小,但方差较大。而Ale对于小范围的误差更加敏感。但从深度估计整体效果以及数据上看,本文方法依然在细节与准确率上更具有优势。
图表编号 | XD00201621500 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.15 |
作者 | 邹承明、胡佑璞 |
绘制单位 | 武汉理工大学计算机科学与技术学院、交通物联网技术湖北省重点实验室、鹏城实验室、武汉理工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) |