《表3 FCN-CRFs模型在不同学习率下的变化》
注:加粗字体为最优结果,IU为Intersection over Union。
为了进一步直观地展示结果,图3展示了在学习率为1E-6的情况下的样例可视化结果。可以看到FCN存在明显缺点,即对图像中的细节不够敏感。主要原因是每个卷积层使用的卷积核的感受野比较大,经过了多次上采样操作后,会导致分割结果出现边缘模糊和色块效应。另外,由于对最后的分割结果没有进行平滑处理,容易出现细小的杂散区域。为了克服这两个缺点,本文方法中使用了CRFs进行后续校正,也就是FCN-CRFs模型,即在net1结构后加上CRFs层。量化结果如表3所示。
图表编号 | XD0047561500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.16 |
作者 | 原尉峰、郭佳明、苏卓、罗笑南、周凡 |
绘制单位 | 中山大学数据科学与计算机学院、中山大学国家数字家庭工程技术研究中心、中山大学数据科学与计算机学院、中山大学国家数字家庭工程技术研究中心、中山大学数据科学与计算机学院、中山大学国家数字家庭工程技术研究中心、桂林电子科技大学计算机与信息安全学院、中山大学数据科学与计算机学院、中山大学国家数字家庭工程技术研究中心 |
更多格式 | 高清、无水印(增值服务) |