《表6 不同方法在LFSD数据集上的显著性检测结果对比》

  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

《光场显著性检测研究综述》

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

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。