《表4 在Cityscapes测试集上的实验结果》

  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

《基于深度学习图像语义分割的机器人环境感知》

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

Cityscapes是一个城市街景数据集，如表4所示，按照Cityscapes数据集上的评估方法，分别在两个粒度上对结果进行分析，即类组粒度（Category）水平和细粒度分类（Class）水平。其中IoU表示在整个测试集上的交叉联合度量，而iIoU表示各个分类交叉联合度量的加权平均。与SegNet相比，RT-SegNet在4项指标中都取得了更好的效果。在细粒度分类水平，不带降维模块的RT-SegNet比SegNet在IoU上提高了1.2%，在iIoU上提高了0.7%；在类组粒度水平，不带降维模块的RT-SegNet比SegNet在IoU上提高了1.3%，在iIoU上提高了1.4%。这说明模型早期的大幅降维没有对精度产生负面的影响，而跳跃连接和非对称卷积将网络做深以后，模型的性能变得更好。此外，解码阶段的参数压缩对分割精度的影响也较小，这验证了解码器主要是对编码器提取特征的解释和还原的假设。因为在类组粒度水平，一些细粒度分类是合并到一起的，提高了正确率，模型在类组粒度水平分割效果的提升比细粒度分类水平分割效果提升要大。增加降维模块之后，在细粒度分类水平，带降维模块的RT-SegNet比不带降维模块的RT-SegNet在IoU和iIoU上分别提高了1.1%和1.8%，比原始SegNet分别提高了2.3%和2.5%；在类组粒度水平，带降维模块的RT-SegNet比不带降维模块的RT-SegNet在IoU和iIoU上分别提高了1.4%和1.8%，比原始SegNet提高了2.7%和3.2%。可见通过降维模块将高层特征与底层特征融合可使语义分割更精细，对各个分类的分割准确率有明显提升。