Page 335 - 《软件学报》2020年第11期
P. 335
3650 Journal of Software 软件学报 Vol.31, No.11, November 2020
CRF 模型优化对象轮廓,提升分割准确率的优势.综上所述,dense CRF 模型可以优化其粗糙的分割结果,更加准
确地分割出对象的轮廓.图 6 展示了当λ={0.7,0.98}时,方法“WSS [27] _S 2 _AM”与“DHSN [28] _S 2 _AM”通过 dense
CRF 优化的分割结果.
Table 3 Segmentation results based on different λ values
表 3 基于不同λ值的分割结果
方法 Dense CRF 平均 IoU(%)
2 47.33
λ=0.7 47.47
WSS [27] _S 2_AM λ=0.8 48.08
λ=0.9 48.63
λ=0.98 48.64
2 55.14
λ=0.7 51.45
DHSN [28] _S 2_AM λ=0.8 52.65
λ=0.9 54.11
λ=0.98 56.03
Fig.6 Comparison of visual segmentation results based on different λ values
图 6 基于不同λ值的可视化分割结果对比
3.4 分割网络
上述实验均验证了所获取的伪像素标注为分割网络提供有效的像素语义类别信息,从而引导分割网络的
训练过程.本节实验比较了分别基于 WSS 与 DHSN 模型获取的显著图与注意力图融合生成伪像素标注(WSS_
AM,DHSN_AM),并训练分割网络(DeepLab)的图像分割结果.表 4 给出了在 PASCAL VOC 2012 数据集上的实
验结果,其中,第 3 列展示了训练集的伪像素标注与真实像素标注的平均 IoU 值,用于检测伪像素标注的准确率;
第 4 例为加入分割网络之后在验证集上的分割结果.
Table 4 Performance comparison of segmentation network trained by pseudo pixel-level annotations
based on different saliency maps
表 4 基于不同显著图生成的伪像素标注所训练的分割网络性能的比较
方法 显著图 训练集的平均 IoU(%) 验证集的平均 IoU(%)
S 1 47.26 48.50
WSS_AM_DeepLab S 2 48.80 53.30
S 3 47.82 50.21
S 1 49.77 53.39
DHSN_AM_DeepLab S 2 53.14 54.88
S 3 53.48 54.87
AM_DeepLab 2 42.25 41.39