《表4 SALICON测试集的结果Tab.4 Results of the SALICON test set》
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。
图表编号 | XD0028662700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.01 |
作者 | 李荣 |
绘制单位 | 无锡太湖学院物联网工程学院、无锡太湖学院江苏省物联网应用技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |
查看“表4 SALICON测试集的结果Tab.4 Results of the SALICON test set”的人还看了
- 表4 色那铜金矿床侵入岩微量元素测试结果 (10-6) Tab 4 Test Results of Trace Elements in the Intrusive Rocks of Sena Copper Gold Deposit
- 表4 不同温度和不同温差下低密度莫来石试样导热系数的测试结果Tab.4 Test results of thermal conductivity of the low-density mullite specimen under diffe