《表6 不同方法在LFSD数据集上的显著性检测结果对比》
注:加粗和下划线字体分别为每列最优和次优值,“-”表示未计算该方法对应的评价指标。
表3—表6是不同方法在4个数据集上的显著性定量结果。可以看出,MAC、Deep LFSV和Mo LF方法显著提高了光场显著性检测的性能,尤其在HFUT-Lytro数据集、Lytro Illum数据集和DUTLF-MV数据集上。此外,multi-cue在3个数据集上有着很好的鲁棒性,因为该方法从光场数据中提取了多种视觉线索后,又使用随机搜索的加权策略探索这些线索的互补性。
图表编号 | XD00215905500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.16 |
作者 | 刘亚美、张骏、张旭东、孙锐、高隽 |
绘制单位 | 合肥工业大学计算机与信息学院、合肥工业大学计算机与信息学院、合肥工业大学计算机与信息学院、合肥工业大学计算机与信息学院、合肥工业大学计算机与信息学院 |
更多格式 | 高清、无水印(增值服务) |