《表3 MSDC参数W及不同的初始化方法对mIoU的影响》

  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

《DODNet：一种扩张卷积优化的图像语义分割模型》

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

对于MSDC模块，本文首先验证参数W的不同初始化方法对优化结果的影响．仍然采用DeepLab-V2模型为基准模型，设置MSDC模块中的block-size为2，group为4，且MSDC模块只由一个Shuffle-block和原输入相加进行扩张卷积优化，结果如表3所示．其中，MSDC(no W）模型指的是不添加W参数，直接将Shuffle-block的结果与原输入相加之后的结果进行扩张卷积；剩下的3个模型是使用含有可学习参数W的MSDC模块的优化模型，W参数的初始化方法分别是全零初始化、全一初始化和随机初始化．从表2的结果中可以发现简单地将Shuffleblock结果与原输入相加进行扩张卷积优化并不能提升模型的分割精度，反而对分割精度有损害．因为将Shuffle-block结果与原输入等权重的处理会弱化原输入，使特征层的数据严重失真．参数W的不同初始化方法也同样对应着初始时原始输入在优化结果中的占比．表3的实验结果表明：全零初始化时优化结果最优（全零初始化代表初始模型即是DeepLab-V2模型，模型根据损失函数自主学习Shuffle-block的权重）．