《表4 SALICON测试集的结果Tab.4 Results of the SALICON test set》

  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

《利用卷积神经网络的显著性区域预测方法》

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

本文所提2个网络仅使用各自每个数据集的训练分区和验证分区的图像进行训练，因此在这些实验中，来自不同数据集的图像从没有被混合使用。表3和表4给出了不同方法的测试结果，其中，相似度、相关系数（correlation coefficient，CC），AUC shuffled，AUC Borji和AUC Judd为显著性预测的度量指标[8]，这些数值越高，表示测试结果越好。如表3和表4所示，每个指标的得分表明，所提浅层网络的性能显著优于其他方法。这很大程度上得益于浅层网络的设计考虑到了训练所需显著度图的可用数量，以及不同策略用以避免对模型的过拟合，且小滤波尺寸起到了隐式规整化的作用。