《表1 不同对齐方式的实验结果》

  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

《平行视觉的基本框架与关键算法》

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:加粗字体表示每列最优结果。

在反馈优化的过程中，本文提出了3个新的对齐模块:全局级别对齐模块、局部级别对齐模块和一致性对齐模块。通过这3个对齐模块的共同训练，指导学习到的模型参数更关注于人工场景和实际场景之间的公共特征，从而使得模型很容易泛化到实际场景中。首先分析了基于平行视觉的实例分割模型中3个对齐模块的有效性，如表1所示，其中“GLA”表示全局级别对齐方式，“LLA”表示局部级别对齐方式，“CA”表示一致性对齐方式，“/”前后的数值表示检测/分割的性能，m AP（mean average precision）为Io U（intersection over union）设置成0.50时计算的所有类别精度的平均值。平行视觉优化前的基准方法检测精度达到30.3%，分割精度达到22.5%。从表1中可以看出，所有引入不同级别对齐的优化方法都比不使用它的方法表现更好，这证明了所提出的基于平行视觉的实例分割模型的有效性。例如，使用全局级别对齐或局部级别对齐的方法检测精度分别达到32.3%和31.9%。因为虚拟的SYN-THIA与实际的Cityscapes数据集之间存在分布差异，如果不使用任何对齐方式，模型很容易在虚拟图像上过拟合。因此，不同级别的对齐方式在减少数据分布差异方面起着关键作用。当使用所有的对齐模块时，基于平行视觉的实例分割模型可以获得最佳性能，检测精度可以达到34.1%，分割精度达到25.2%，比基准方法分别提高了3.8%和2.7%。