《表2 检测时间:基于深度学习的图像实例分割》
通过对比表1中mAP的值来看,重新设计后的模型要优于Mask-R-CNN。Mask-R-CNN是一个简单有效实例分割系统,仅在目标检测的基础上增加了一条掩码分支就取得了不错的分割效果,但在RoIAlign层得到的特征图分辨率较小,会丢失一些像素信息。针对以上问题,适当提高了该层特征图的分辨率大小,保留了特征图上更多的像素信息。使用了特征融合的方法来改善边界分割,实验证明本文的模型取得了不错的分割效果。此外,还采用了深度可分离卷积操作,极大减少了网络参数,从而降低了算法计算量,提高了分割效率。分别使用Mask-R-CNN以本文的模型分别计算检测50张图片和100张图片需要的时间,表2结果显示重新设计后的模型有更高的效率。
图表编号 | XD0039093300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.01 |
作者 | 陈茗杨、赵志刚、潘振宽、于晓康 |
绘制单位 | 青岛大学计算机科学技术学院、青岛大学计算机科学技术学院、青岛大学计算机科学技术学院、青岛大学计算机科学技术学院 |
更多格式 | 高清、无水印(增值服务) |