《表2 d CRF模型与现有方法的定量对比》
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。
图表编号 | XD0076548700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.15 |
作者 | 汪萍 |
绘制单位 | 安徽新闻出版职业技术学院新闻传播系 |
更多格式 | 高清、无水印(增值服务) |