《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》

  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

《基于深度残差网络与边缘监督学习的显著性检测》

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

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%。