《表3 4种模型分割结果：基于生成对抗网络与ICNet的羊骨架图像实时语义分割》

  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

《基于生成对抗网络与ICNet的羊骨架图像实时语义分割》

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

由图13可知，U- Net、Deep Lab V3、ICNet、PSPNet均可以实现4个羊骨架样本图像中颈部、肋部、脊椎3部位的准确分割，并且各部位边缘平滑，细节特征明显，能够满足实际生产中对切割精度的要求。但Fast SCNN针对样本1和样本3的图像处理中出现过分割与欠分割现象，主要表现为将背景与肋部错误地分割为颈部区域，其原因可能是Fast- SCNN网络深度较浅，同时采用浅层学习下采样模块用于多分支低层特征的提取，在羊骨架图像数据规模有限的情况下，难以提取图像中的深层抽象特征用于网络学习，从而不利于后期的特征定位。而U- Net、Deep Lab V3、PSPNet网络深度较深，都采用编码—解码结构，使得模型不仅可以提取更丰富的语义特征，还可以更好地恢复物体的边缘信息。另外，Deep Lab V3的空洞空间卷积池化金字塔结构及ICNet和PSPNet的金字塔池化模块使得模型具备获取更多上下文信息及多尺度特征的能力，保证了分割准确率。U -Net、Deep Lab V3、PSPNet、Fast- SCNN 4种模型总体准确率、MIo U及单幅图像平均处理时间如表3所示。