《表4 不同网络层数进行道路分割任务的对比》

  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

《基于深度残差学习的自动驾驶道路场景理解》

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

不同网络层数对于道路分割任务的比较如表4所示。从表4中可以看出，使用深度残差网络并采用不同层数的网络结构在分割任务中有明显的提升。实验结果将运行帧率提高到了15.11 fps，这与使用VGG网络结构进行特征提取任务而言提高了8.52 fps。另外观察使用不同层数的深度残差网络，并未达到层数越深结果越优的预测结果，笔者猜测这是由于KITTI数据集当中道路的数据集数量有限，对于越大层数的网络结构而言，会随着训练数据量的减小，提高其过拟合的可能性。针对准确率的评估指标最大F1值以及平均准确率而言，深度残差网络也在准确性上有小幅的提升，但提升效果比较明显，这与网络层数的不断加深所伴随的网络模型参数大幅度提高有一定的关联。图5对采用不同网络结构以及不同网络层数的道路分割任务的分割评估结果进行了可视化，可以直观地发现采用深度残差网络进行道路分割任务的显著提升部分。