《表2 DUT数据集上多尺度结果细化网络的有效性分析》

  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

《由粗到精的多尺度散焦模糊检测》

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:加粗字体为每列最优值。

本文的多尺度结果细化子网络的输入为多尺度和融合特征。用分别只输入多尺度和融合特征的方法来验证结果细化子网络是否有效地利用了这些特征。“多尺度”表示网络中只包含接收多尺度特征的结果细化网络，“融合”表示网络中只包含接收融合特征的结果细化网络。与基准模型结果相近的消融实验，对其重复3次后，取评价指标均值作为最终结果以消除误差（下文实验也采用此方式）。如表2所示，使用“多尺度+融合”特征的网络性能表现要优于单独使用“多尺度”和“融合”特征的网络。“多尺度+融合”网络的F0.3和MAE相较于“多尺度”网络，分别改善了0.1%，4.2%；相较于“融合”网络，分别改善了0.9%，14.1%。这说明多尺度特征和融合特征均有助于正确地区分模糊与清晰区域，多尺度特征对于准确的模糊检测更为关键。并且，“多尺度+融合”网络训练时损失更早收敛，比仅使用“多尺度”特征的网络大约少3 h训练时间。