揭示了Segnet:通过严格的K折交叉验证分析进行强大的图像细分
Ignatious K Pious1, R Srinivasan1
1Department of Computer Science and Engineering, Vel Tech Rangarajan Dr Sagunthala R&D Institute of Science and Technology, Chennai, India.
概括
SegNet模型在各种数据集中展示了可靠的图像细分性能,实现了高的子系数和跨欧盟 (IOU) 交叉点数. K-fold 交叉验证证实了其对各种应用的概括能力.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 图像细分是计算机视觉的一个基本任务.
- 应用范围包括自动驾驶和医学成像.
研究的目的:
- 评估基于SegNet的图像细分模型的性能.
- 确保在各种数据集中可靠的细分.
主要方法:
- 使用五倍和K倍交叉验证进行模型评估.
- 在欧盟 (IOU) 上测量交叉点,子系数,精度,回忆,准确性和损失指标.
主要成果:
- 稳定的高性能与子系数从88.32%到89.8%.
- 在欧盟 (IOU) 上的交叉分数从94.53%到95.05%不等.
- 精度,回忆和准确度指标经常超过90%,表明模型可靠性.
结论:
- K-fold交叉验证提高了SegNet模型的验证可靠性.
- 该模型在数据集中表现出强大的概括性,适合于实际的图像细分任务.
