《表2 d CRF模型与现有方法的定量对比》

  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

《基于多尺度条件随机场的语义图像分割深度卷积网络》

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

表2中展示了现有的主流语义分割方法的定量结果，本文dCRF模型取得优势的主要原因在于:（1）Block5-2多重空洞卷积模块可有效完成不同尺度目标的语义标记预测。（2）本文模型中不同尺度的标记融合是改善语义分割的主要途径。（3）本文模型设计了基于CRF的多尺度标记融合方法，采用同层二元约束和异层二元约束进行空间近邻标记冲突时的决策。（4）本文dCRF相对于Wang等人方法的优势在于:首先没有对数据集进行扩充，其次没有使用额外的行为检测标记，本文模型的训练集需要的标记更少。（5）本文模型在第一阶段固定BlockCRF参数来初始训练，使模型尽快收敛，在第二阶段使用初始参数，同时，联合深度网络参数和BlockCRF参数进行优化，从而同时满足了训练的速度和精度要求。