《表6 在CamVid、KITTI、JLUData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

CamVid、KITTI、JLUData都是道路街景数据集，且3个数据集分类种类比较相似，实验时，将这3个数据集统一处理成11分类（不包含“未知”分类）分别进行训练，实验结果如表6所示。从表6可以看出，在3个数据集上，RT-SegNet在精度上都比原始SegNet有显著提高。整体上，与SegNet相比，在CamVid、KITTI和JLUData数据集上，RT-SegNet在全局正确率上分别提升了11.3%、8.8%和11.6%；在类别平均正确率上分别提升了9.5%、12.9%和4.7%；在平均交叉联合度量上分别提升了5.3%、14.6%和6.8%。局部上，在CamVid数据集上，RT-SegNet在11个分类中有9个分类的分类正确率得到了提升，其中，杆、行人和自行车3个分类效果显著，正确率提升超过10%。在KITTI数据集上，RT-SegNet在11分类中的10个分类取得了更高的正确率，其中杆、交通标识、栅栏和自行车4个分类效果显著，正确率提升超过10%。在JLUData数据集上，RT-SegNet在11个分类中的9个分类提升了效果，其中，杆和自行车两个分类中效果显著，正确率提升都超过10%。3个数据集上，杆和自行车的分割效果都得到了超过10%的显著提升，表明RT-SegNet对占比小的分类具有较好的分割效果，分割更加精细。这与其特殊的结构设计是分不开的。特别地，在JLUData数据集上，“交通标识”这个分类不管是SegNet模型还是RT-SegNet模型都正确率极低，这与数据集本身的特点有关系。JLUData采集的是吉林大学校园街景，交通标识极少，数据集中最大的分类“路”的像素数量是“交通标识”像素数量的约5216倍，样本数量不足和这种极端的数据不平衡造成很难学习到“交通标识”的特征进行分类。在CamVid和JLUData数据集上的表现如图7、图8所示。