《表2 不同分割算法的性能比较 (%)》

  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U-Net卷积神经网络的年轮图像分割算法》

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

为了验证本文U-Net算法在年轮圆盘图像分割问题上的效果，本文选取了3种图像分割算法进行对比说明。这3种算法分别为:8倍上采样的全卷积神经网络模型（Long et al.，2014）、16倍上采样的全卷积神经网络模型和DeepLab v3 plus模型（Chen et al.，2018）。其中FCN8s模型、FCN16s模型和U-Net模型的前期实验数据准备以及实验流程部分都是完全一样的，区别仅在于网络结构的不同，由于Deep Lab v3 plus网络较深而数据量较少，故而选用了预训练好的网络模型（ResNet50）中的参数对Deep Lab v3 plus网络进行初始化，而不是随机初始化。在所有年轮图像的测试样本上，不同网络模型分割结果的像素准确率、均像素准确率和平均区域重合度如表2所示。