《表1 各模块性能对比:基于深度残差网络与边缘监督学习的显著性检测》
式中:M和N为显著图的长和宽;GT (x,y)为人工标注GT图(x,y)处的值;S (x,y)为显著图(x,y)处的值。MAE值越小,说明算法得到的显著图与人工标记GT图越接近,性能越优良[27]。最终得到的结果如表1所示。由表1可知,与原有二分类ResNet-101模型相比,各模块性能均有一定优化。使用ResNet-101时,各指标均较理想,在上述数据集上效果良好,体现了残差网络的优越性。加入ERB残差监督网络后,F值提高了10.2%,MAE值减小了19.7%;使用三分类时,F值提高了12.5%,MAE值减小了10.7%;整体算法比单独使用ResNet-101时F值提高了16.8%,MAE值减小了43.9%。
图表编号 | XD0066616000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.10 |
作者 | 时斐斐、张松龙、彭力 |
绘制单位 | 江南大学物联网工程学院物联网应用技术教育部工程中心、江南大学物联网工程学院物联网应用技术教育部工程中心、江南大学物联网工程学院物联网应用技术教育部工程中心 |
更多格式 | 高清、无水印(增值服务) |