《表3 模型分割结果：基于全卷积神经网络的林木图像分割》

  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

《基于全卷积神经网络的林木图像分割》

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

根据上述的参数设置，使用训练好的模型对测试集进行分割。为了测试模型的性能，一共做了三组对比实验:第一组测试了Long等人[3]的FCN-8s模型在林木图像上的分割性能；第二组测试了IFCN的分割性能；第三组测试了改进后的全卷积神经网络结合条件随机场（IFCN+CRF）的性能。表3显示了这三组实验各自的分割结果。其中，IFCN与FCN-8s相比，准确率提高了约8.71%，mean＿IOU提高了约15.25%。这是由于一方面改进后的网络结合了Pool2层，提高了模型的学习能力，能够最大程度地还原原始图像的特征，且使用了上池化层，在每层网络中都定位到图像中的各个像素，能够精确地预测原始图像中每个像素的类别；另一方面，与FCN-8s反卷积扩大八倍至原图大小相比，IFCN扩大四倍，能更准确更细致地恢复信息，再者结合了Pool2层的网络能够最大程度地还原原始图像的信息，这又进一步提高了预测的效果。再结合全连接条件随机场做细节处理，准确率又比改进的全卷积网络提高了约2.68%，mean＿IOU提高了3.15%。模型的分割效果如图8所示，对于林木图像中背景难以分辨的地方，如错综复杂的阴影，它的像素值以及形状大小都与林木十分接近，未改进的FCN-8s会将部分阴影错误归类为林木，且分割结果粗糙误差较大，而改进后的FCN模型能够很好地识别边界，将林木与其阴影区分开，具有良好的分割性能。结合了全连接的CRF之后，模型将深度卷积神经网络的识别功能与全连接条件随机场的细粒度定位功能有效结合起来，使得轮廓更加具体，很好地恢复了对象的边界信息。